python数据处理2

#==============================================================================

# 第2章 了解数据 15

# 2．1 简介 16

# 2．2 从CSV文件导入数据 16

#==============================================================================

#使用$head some_file.csv

import csv

filename = 'ch02-data.csv'

data = []

try:

#不必担心在操作完资源之后去关闭数据文件，with语句的上下文管理器会帮助处理。

with open(filename) as f:

reader = csv.reader(f)

c = 0

for row in reader:

if c == 0:

header = row

else:

data.append(row)

c += 1

except csv.Error as e:

print "Error reading CSV file at line %s: %s" % (reader.line_num, e)

sys.exit(-1)

if header:

print header

print '=================='

for datarow in data:

print datarow

--------------------------------------------------------------------------

加载大数据文件，

import numpy

#速度较快

data=numpy.loadtxt('ch02-data.csv',dtype='string',delimiter=',')

for datarow in data:

print datarow

#更好的处理缺失数据

data=numpy.genfromtxt('ch02-data.csv',dtype='string',delimiter=',')

for datarow in data:

print datarow

#==============================================================================

# 2．3 从Microsoft Excel文件中导入数据 18

#==============================================================================

#读写操作的支持是通过不同模块实现的，跨平台！

$ mkvirtualenv xlrdexample

(xlrdexample)$ pip install xlrd

#在指定工作簿中的工作表中，根据行数nrows和列数ncols读取单元格的内容:

#xlrd模块按照需要,仅加载文件的部分内容到内存中

import xlrd

from xlrd.xldate import XLDateAmbiguous

file = 'ch02-xlsxdata.xlsx'

wb = xlrd.open_workbook(filename=file)

#

wb = xlrd.open_workbook(filename=file,on_demand=True)

ws = wb.sheet_by_name('Sheet1')

dataset = []

for r in ws.nrows:

col = []

for c in ws.ncols:

col.append(ws.cell(r, c).value)

#if ws.cell_type(r, c) == xlrd.XL_CELL_DATE:

# try:

# print ws.cell_type(r, c)

# from datetime import datetime

# date_value = xlrd.xldate_as_tuple(ws.cell(r, c).value, wb.datemode)

# print datetime(*date_value)

# except XLDateAmbiguous as e:

# print e

dataset.append(col)

#from pprint import pprint

#pprint(dataset)


#==============================================================================

# 2．4 从定宽数据文件导入数据 21

#==============================================================================

#性能更重要，或者要解析的文件非常大时，使用Python中的struct模块

import struct

import string

mask='9s14s5s'

parse = struct.Struct(mask).unpack_from

print 'formatstring {!r}, record size: {}'

.format(mask, struct.calcsize(mask))

datafile = 'ch02-fixed-width-1M.data'

with open(datafile, 'r') as f:

for line in f:

fields = parse(line)

print 'fields: ', [field.strip() for field in fields]

#==============================================================================

# 2．5 从制表符分隔的文件中读取数据 23

#==============================================================================

"day"  "ammount"

2013-01-24  323

2013-01-25  233

2013-01-26  433

2013-01-27  555

2013-01-28  123

2013-01-29    0

2013-01-30  221

import struct

import string

mask='9s14s5s'

parse = struct.Struct(mask).unpack_from

print 'formatstring {!r}, record size: {}' .format(mask, struct.calcsize(mask))

datafile = 'ch02-fixed-width-1M.data'

with open(datafile, 'r') as f:

for line in f:

fields = parse(line)

print 'fields: ', [field.strip() for field in fields]

------------------------------------------------------------------

"day"  "ammount"

2013-01-24  323

2013-01-25  233

2013-01-26  433

2013-01-27  555

2013-01-28  123

    2013-01-29    0

2013-01-30  221

datafile = 'ch02-data-dirty.tab'

with open(datafile, 'r') as f:

for line in f:

# remove next comment to see line before cleanup

# print 'DIRTY: ', line.split('\t')

# we remove any space in line start or end

line = line.strip()

# now we split the line by tab delimiter

print line.split('\t') 

------------------------------------------------------------------

#==============================================================================

# 2．6 从JSON数据源导入数据 24

#==============================================================================

$pip install requests

import requests

import json

url = 'https://github.com/timeline.json'

r = requests.get(url)

json_obj = r.json()

print json.dumps(json_obj,sort_keys=True,indent=4)

data1 = {'b':789,'c':456,'a':123}

print json.dumps(data1,sort_keys=True,indent=4)

=============================

1.对简单数据类型的encoding 和 decoding：

使用简单的json.dumps方法对简单数据类型进行编码.

在json的编码过程中，会存在从python原始类型向json类型的转化过程:

Python  -->>>>>---  JSON  -->>>>>--- Python 

dict object dict

list,tuple array list

str,unicode string unicode

int,long,float number (int) int,long

number (real) float

True true True

False false Flase

None null None

#coding=utf-8

import json

from decimal import Decimal

obj = [[1,2,3],123,123.123,'abc',{'key1':(1,2,3),'key2':(4,5,6)}]

encodedjson = json.dumps(obj)

print repr(obj)

print encodedjson

#[[1, 2, 3], 123, 123.123, 'abc', {'key2': (4, 5, 6), 'key1': (1, 2, 3)}]

#[[1, 2, 3], 123, 123.123, "abc", {"key2": [4, 5, 6], "key1": [1, 2, 3]}]

------------------------------------------------------------------------------

json.dumps方法提供了很多好用的参数可供选择，

比较常用的有sort_keys（对dict对象进行排序，我们知道默认dict是无序存放的），

separators，indent等参数。

data1 = {'b':789,'c':456,'a':123}

data2 = {'a':123,'b':789,'c':456}

d1 = json.dumps(data1,sort_keys=True)

print d1 #{"a": 123, "b": 789, "c": 456}

d2 = json.dumps(data2)

print d2 #{"a": 123, "c": 456, "b": 789}

d3 = json.dumps(data2,sort_keys=True)

print d3 #{"a": 123, "b": 789, "c": 456}

print d1==d2 False

print d1==d3 True

#indent参数是缩进的意思，它可以使得数据存储的格式变得更加优雅。

print json.dumps(data1,sort_keys=True,indent=4)

#{

#    "a": 123,

#    "b": 789,

#    "c": 456

#}

------------------------------------------------------------------------

loads方法返回了原始的对象，但是仍然发生了一些数据类型的转化。例‘abc’转化为了unicode类型

decodejson = json.loads(encodedjson)

print type(decodejson)

print decodejson[4]['key1']

print decodejson

#<type 'list'>

#[1, 2, 3]

#[[1, 2, 3], 123, 123.123, u'abc', {u'key2': (4, 5, 6), u'key1': (1, 2, 3)}]

jstring='{"name":"xue","price":12.50}'

decodejson=json.loads(jstring,parse_float=Decimal)

print decodejson

#{u'price':Decimal(12.50),u'name':u'xue'}

------------------------------------------------------------------------

json主要是作为一种数据通信的格式存在的，

而网络通信是很在乎数据的大小的，无用的空格会占据很多通信带宽，所以适当时候也要对数据进行压缩。

separator参数可以起到这样的作用，该参数传递是一个元组，包含分割对象的字符串。

#coding=utf-8

import json

data={'a': 123, 'c': 456, 'b': 789}

#DATA: {'a': 123, 'c': 456, 'b': 789}

print 'repr(data) :', len(repr(data))

#repr(data): 30

print 'dumps(data) :', len(json.dumps(data))

#dumps(data): 30

print 'dumps(data, indent=2):', len(json.dumps(data, indent=4))

#dumps(data, indent=2)  : 46

print 'dumps(data, separators):', len(json.dumps(data, separators=(',',':')))

#dumps(data, separators): 25

print json.dumps(data, separators=(',',':'))

#{"a":123,"c":456,"b":789}

------------------------------------------------------------------------

另一个比较有用的dumps参数是skipkeys，默认为False。 dumps方法存储dict对象时，key必须是str类型，如果出现了其他类型的话，那么会产生TypeError异常，

如果开启该参数，设为True的话，则会比较优雅的过度。

data = {'b':789,'c':456,(1,2):123}

print json.dumps(data,skipkeys=True)

#{"c": 456, "b": 789}

------------------------------------------------------------------------

=======================

2.处理自己的数据类型

#方法二：继承JSONEncoder和JSONDecoder类，覆写相关方法

import json

class Person(object):

def __init__(self,name,age):

self.name = name;

self.age = age;

def __repr__(self):

print (('Person Object name : %s , age:%d')%(self.name,self.age))

class MyEncoder(json.JSONEncoder):

def default(self,obj):

#convert object to a dict

d = {}

d['__class__'] = obj.__class__.__name__

d['__module__'] = obj.__module__

d.update(obj.__dict__)

return d

class MyDecoder(json.JSONDecoder):

def __init__(self):

json.JSONDecoder.__init__(self,object_hook=self.dict2object)

def dict2object(self,d):

#convert dict to object

if'__class__' in d:

class_name = d.pop('__class__')

module_name = d.pop('__module__')

module = __import__(module_name)

class_ = getattr(module,class_name)

args = dict((key.encode('ascii'), value) for key, value in d.items()) #get args

inst = class_(**args) #create new instance

else:

inst = d

return inst

if __name__ == '__main__':

p = Person('Peter',22)

p = Person('Peter',22)

#print p

d =MyEncoder().encode(p)

print d

o =MyDecoder().decode(d)

print  type(o)

#==============================================================================

# 2．7 导出数据到JSON、CSV和Excel 27

#==============================================================================

#Excel读操作

pip install xlwt

def import_data(import_file):

    mask = '9s14s5s'

    data = []

    parse = struct.Struct(mask).unpack_from

    i =1

    with open(import_file, 'r') as f:

        for line in f:

            fields = parse(line)

            data.append(list([f.strip() for f in fields]))

            i=i+4

            if i >100:

                return data

    return data

-----------------------------------------------------------------

def write_data(data, export_format):

    if export_format == 'csv':

        return write_csv(data)

    elif export_format == 'json':

        return write_json(data)

    elif export_format == 'xlsx':

        return write_xlsx(data)

    else:

        raise Exception("Illegal format defined")

-----------------------------------------------------------------

def write_csv(data):

    writer = csv.writer(file('export_csv.csv', 'wb'))

    for row in data:

        writer.writerow(row)

    return "export_csv.csv"

-----------------------------------------------------------------

def write_json(data):

    with open("export_json.json", "a") as file_obj:

        file_obj.write(json.dumps(data))

    return "export_json.json"

-----------------------------------------------------------------

def write_xlsx(data):

    from xlwt import Workbook

    book = Workbook()

    sheet1 = book.add_sheet("Sheet 1")

    row = 0

    for line in data:

        col = 0

        for datum in line:

            sheet1.write(row, col, datum)

            col += 1

        row += 1

        # We have hard limit here of 65535 rows

        # that we are able to save in spreadsheet.

        if row > 65535:

            print >> sys.stderr, "Hit limit of # of rows in one sheet (65535)."

            break

    book.save("export_xlsx.xls")

    return "export_xlsx.xls"


#==============================================================================

# 2．8 从数据库导入数据 31

#==============================================================================

$pip install sqlite3

import sqlite3

import sys

script_path = "/root/PycharmProjects/demo/world.sql"

db ='/root/PycharmProjects/demo/world.db'

# if DB is not defined ,create memory database

#db = ":memory:"

try:

con = sqlite3.connect(db)

with con:

cur = con.cursor()

with open(script_path,'rb') as f:

cur.executescript(f.read())

print("Finish")

except sqlite3.Error as err:

print "Error occured: %s" % err

-----------------------------------------------------------------

import sqlite3

import sys

db = "/root/PycharmProjects/demo/world.db"

try:

    con = sqlite3.connect(db)

    with con:

        cur = con.cursor()

        query = 'SELECT ID, Name, Population FROM City ORDER BY Population DESC LIMIT 1000'

        con.text_factory = str

        cur.execute(query)

        resultset = cur.fetchall()

        # extract column names

        col_names = [cn[0] for cn in cur.description]

        print "%10s %30s %10s" % tuple(col_names)

        print "="*(10+1+30+1+10)

        for row in resultset:

            print "%10s %30s %10s" % row

except sqlite3.Error as err:

    print "[ERROR]:", err

#==============================================================================

# 2．9 清理异常值 36

#==============================================================================

yum install libpng

pip install matplotlib

#==============================================================================

# 2．10 读取大块数据文件 42

#==============================================================================

#即使相当大的文件也可轻松操作（按需加载）

with open(bigfile_path,'r') as bigfile:

for line in bigfile

#...

#按文件块依次读取，而不需要将整个文件读取到内存中

import sys

filename = "ch02-fixed-width-1M.data"

with open(filename, 'rb') as hugefile:

chunksize = 1000

readable = ''

# if you want to stop after certain number of blocks

# put condition in the while

while hugefile:

start = hugefile.tell()

for _ in range(start, start + chunksize):

file_block= hugefile.next()

print file_block

readable = readable + file_block

stop = hugefile.tell()

print ('readable    %s')%(readable)

print 'reading bytes from %s to %s' % (start, stop)

print 'read bytes total:', len(readable)

raw_input()

#大文件的读取其他方案

#并行方法，如MapReduce

#多进程处理，

#==============================================================================

# 2．11 读取流数据源 44

#==============================================================================

##读取一个实时变化的文件

#应用：例如输入是一个类文件对象或者一个远程HTTP资源，

#就可以从远程服务读取输入信息，并持续地解析它，然后实时地更新图表，或者更新到中间队列、缓冲或者数据库

#在更为复杂的数据管道中，需要启用消息队列。达到的连续数据会被放在队列里一段时间，然后才能被我们接收到。

import time

import os

import sys

with open('stream.data','r') as file:

    # Move to the end of file

    filesize = os.stat(filename)[6]

    file.seek(filesize)

    while True:

        where = file.tell()

        # try reading a line

        line = file.readline()

        # if empty, go back

        if not line:

            time.sleep(1)

            file.seek(where)

        else:

            # , at the end prevents print to add newline, as readline()

            # already read that.

            print line,

----------------------------------------------------------------------------

#coding=utf-8

#第一个用来读取文件中的字节

def FileStream(filename):

    try:

        f = open(filename)

        for line in f:

            for byte in line:

                yield byte

    except StopIteration, e:

        f.close()

        return

#，第二个用来过滤流中的字节，

def FilterStream(source, condition):

    try:

        while True:

            byte = source.next()

            if condition(byte):

                yield byte

    except StopIteration, e:

        return

#第三个将流进的数据打印出来。

def PrintStream(source):

    try:

        while True:

            byte = source.next()

            print byte

    except StopIteration, e:

        return

PrintStream(FilterStream(FileStream('stream.data'), str.islower))

#==============================================================================

# 2．12 导入图像数据到NumPy数组 46

#==============================================================================

$pip install  scipy

#############Lena图

#SciPy将这幅图打包在了misc模块中，因此可以很简单的重用这幅图

import scipy.misc

import matplotlib.pyplot as plt

lena = scipy.misc.lena()

plt.gray()

plt.imshow(lena)

plt.colorbar()

plt.show()

print lena.shape        #(512, 512)

print lena.max()        #245

print lena.dtype        #int32

##########PIL

pip install PIL --allow-external PIL --allow-unverified PIL

##########放大图像

import matplotlib.pyplot as plt

import scipy

import numpy

# because the image we loaded is RGB image,

# http://en.wikipedia.org/wiki/Grayscale#Converting_color_to_grayscale

bug = scipy.misc.imread('stinkbug.png')

# if you want to inspect the shape of the loaded image

# uncomment following line

print bug.shape    #(375, 500, 3)

bug = bug[:,:,0]# convert to gray

# show original image

plt.figure()

plt.gray()

plt.subplot(121)

plt.imshow(bug)

# show 'zoomed' region

zbug = bug[100:350,140:350]#指定放大[100:350,140:350]之间的部分矩阵

plt.subplot(122)

plt.imshow(zbug)

plt.show()

###########对于大图像推荐使用numpy.memmap来做图像的内存映射

import numpy

image=numpy.memmap('stinkbug.png', dtype=int, mode='r+',shape=(375,500))

#专注于图像处理的专业软件包

scikit-image:http://scikit-image.org/

#==============================================================================

# 2．13 生成可控的随机数据集合 51

#==============================================================================

############生成一个简单的随机数样本

import pylab

import random

SAMPLE_SIZE = 100

random.seed() # seed random generator,if no argument provided,uses system current time

real_rand_vars = [] # store generated random values here

# we don't need iterator value, so we can put call it '_'

for _ in range(SAMPLE_SIZE):

    new_value = random.random() # get next random value

    real_rand_vars.append(new_value)

# create histogram from data in 10 buckets

pylab.hist(real_rand_vars, 10)

pylab.xlabel("Number range")

pylab.ylabel("Count")

# show figure

pylab.show()

############生成虚拟价格增长数据的时序图

import pylab

import random

# days to generate data for

duration = 100

mean_inc = 0.2 # mean value

std_dev_inc = 1.2 # standard deviation

x = range(duration) # time series

y = []

for i in x:

    next_delta = random.normalvariate(mean_inc, std_dev_inc)

    price_today += next_delta

    y.append(price_today)

pylab.plot(x,y)

pylab.xlabel("Time")

pylab.ylabel("Value")

pylab.show()

###################不同的分布显示直方图

# coding: utf-8

import random

import matplotlib

import matplotlib.pyplot as plt

SAMPLE_SIZE = 1000

buckets = 100# histogram buckets

plt.figure()

matplotlib.rcParams.update({'font.size': 7})# we need to update font size just for this example

###[0.0, 1.0)之间随机分布

plt.subplot(621)

plt.xlabel("random.random")

res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.random())

plt.hist(res, buckets)

###均匀分布[a,b]

plt.subplot(622)

plt.xlabel("random.uniform")

a = 1,b = SAMPLE_SIZE,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.uniform(a, b))

plt.hist(res, buckets)

###三角形分布

plt.subplot(623)

plt.xlabel("random.triangular")

low = 1, high = SAMPLE_SIZE, res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.triangular(low, high))

plt.hist(res, buckets)

###beta分布

plt.subplot(624)

plt.xlabel("random.betavariate")

alpha = 1, beta = 10,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.betavariate(alpha, beta))

plt.hist(res, buckets)

###指数分布

plt.subplot(625)

plt.xlabel("random.expovariate")

lambd = 1.0 / ((SAMPLE_SIZE + 1) / 2.),res = []

for _ in xrange(1, SAMPLE_SIZE): res.append(random.expovariate(lambd))

plt.hist(res, buckets)

###gamma分布

# The probability distribution function is:

#Conditions on the parameters are alpha > 0 and beta > 0.

#          x ** (alpha - 1) * math.exp(-x / beta)

# pdf(x) =  --------------------------------------

#            math.gamma(alpha) * beta ** alpha

plt.subplot(626)

plt.xlabel("random.gammavariate")

alpha = 1,beta = 10,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.gammavariate(alpha, beta))

plt.hist(res, buckets)

###对数正态分布Log normal distribution。mu is the mean, and sigma is the standard deviation.

plt.subplot(627)

plt.xlabel("random.lognormvariate")

mu = 1,sigma = 0.5,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.lognormvariate(mu, sigma))

plt.hist(res, buckets)

###正态分布 Normal distribution. mu is the mean, and sigma is the standard deviation.

plt.subplot(628)

plt.xlabel("random.normalvariate")

mu = 1,sigma = 0.5,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.normalvariate(mu, sigma))

plt.hist(res, buckets)

###帕累托分布，Pareto distribution. alpha is the shape parameter.

plt.subplot(629)

plt.xlabel("random.paretovariate")

alpha = 1,res = []

for _ in xrange(1, SAMPLE_SIZE):res.append(random.paretovariate(alpha))

plt.hist(res, buckets)

plt.tight_layout()

plt.show()

###########随机数

1)用seed初始化伪随机数生成器，这样random()方法就能生成相同的期望随机值。

比较有用，比预先生成随机数并保存到到文件中要好。

2)避免随机生成的序列重复，推荐使用random.SystemRandom,其底层使用os.urandom。

os.urandom提供更多熵源的访问,seed()和setstate()没有影响，则样本不可重现了。

例子:想要一些随机单词

#Linux，针对Unix系统

import random

with open('/usr/share/dict/words') as f:

words=f.readlines()

words=[w.rstrip() for w in words]

for w in random.sample(words,5):

print w

#Windows

http://norvig.com/big.txt

#==============================================================================

# 2．14 真实数据的噪声平滑处理 58

#==============================================================================

©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 202,607评论 5赞 476
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 85,047评论 2赞 379
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 149,496评论 0赞 335
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 54,405评论 1赞 273
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 63,400评论 5赞 364
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 48,479评论 1赞 281
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 37,883评论 3赞 395
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 36,535评论 0赞 256
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 40,743评论 1赞 295
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,544评论 2赞 319
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,612评论 1赞 329
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 33,309评论 4赞 318
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 38,881评论 3赞 306
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,891评论 0赞 19
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,136评论 1赞 259
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 42,783评论 2赞 349
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 42,316评论 2赞 342

推荐阅读更多精彩内容

  • rljs
    rljs by sennchi Timeline of History Part One The Cognitiv...
    sennchi阅读 7,279评论 0赞 10
  • pySpark 中文API (2)
    pyspark.sql模块 模块上下文 Spark SQL和DataFrames的重要类： pyspark.sql...
    mpro阅读 9,440评论 0赞 13
  • Python3 学习笔记
    写在前面的话 代码中的# > 表示的是输出结果 输入 使用input()函数 用法 注意input函数输出的均是字...
    FlyingLittlePG阅读 2,724评论 0赞 8
  • 18、python网络编程
    网络编程 一.楔子 你现在已经学会了写python代码，假如你写了两个python文件a.py和b.py，分别去运...
    go以恒阅读 1,982评论 0赞 6
  • 艺术剪纸—窗花
    活动目标： 感受漂亮的窗花带给人们喜庆欢乐的新年气氛 练习掌握剪刀的使用技巧，锻炼手部的灵活性
    感谢每一天阅读 206评论 0赞 0