networkx 包

1 创建图形

创建一个没有节点和边的空图形。

import networkx as nx
G = nx.Graph()

根据定义，Graph是一组节点（顶点）和已识别的节点对（称为边、链接等）的集合。

1.1 清空图

1.1 清空图

G.clear()

1.2 从dataframe中导入图信息

import numpy as np
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt
 
edges=pd.DataFrame()
edges['sources']=[1,1,1,2,2,3,3,4,4,5,5,5]
#有向边的起点
 
edges['targets']=[2,4,5,3,1,2,5,1,5,1,3,4]
#有向边的终点
 
edges['weights']=[1,1,1,1,1,1,1,2,1,1,1,1]
#各边的权重
 
G=nx.from_pandas_edgelist(
    edges,
    source='sources',
    target='targets',
    edge_attr='weights')
 
 
nx.draw(G, with_labels=True)
plt.show()

2 节点

2.1 一次添加一个节点

G.add_node(1)

2.2 从任何 iterable 容器（如列表）中添加节点

G.add_nodes_from([2, 3])

2.3 从元组中添加节点和节点属性

G.add_nodes_from([
    (4, {"color": "red"}),
    (5, {"color": "green"}),
])

2.4 合并图中一个节点到另一个图中

H = nx.Graph()H.add_nodes_from(G)

2.5 查看点的数量

G.number_of_nodes()

2.6 删除点

G.remove_node(2)
 
G.remove_nodes_from({1，2])

2.7 设置新属性

nx.set_node_attributes(G,value, key):将G图每个节点的key属性设置为value

 
import networkx as nx
G = nx.Graph()
 
G.add_nodes_from([
    (4, {"color": "red"}),
    (5, {"color": "green"}),
])
nx.set_node_attributes(G, -1.0, "val")
 
 
G.nodes.data()
#NodeDataView({4: {'color': 'red', 'val': -1.0}, 5: {'color': 'green', 'val': -1.0}})

2.8 查看图的某一个属性

G.nodes.data()
#NodeDataView({4: {'color': 'red', 'val': -1.0}, 5: {'color': 'green', 'val': -1.0}})
 
G.nodes(data="val")
#NodeDataView({4: -1.0, 5: -1.0}, data='val')
 
for (node, obs) in G.nodes(data="val"):
    print(node,obs)
'''
4 -1.0
5 -1.0
'''

3 边

3.1 一次添加一条边

G.add_edge(1, 2) #或者：e = (2, 3)G.add_edge(*e)  # unpack edge tuple*

3.2 添加边列表

G.add_edges_from([(1, 2), (1, 3)])

3.3 从元组中添加边和边属性

G.add_edges_from([
    (2, 3, {'weight': 3.1415})
    ])

3.4 查看边的数量

G.number_of_edges()

3.5 删除边

G.remove_edge(1, 3)
 
G.remove_edges_from([(1, 2), (1, 3)])

3.6 增加带权边

G.add_weighted_edges_from([(1, 2, 0.125), (1, 3, 0.75), (2, 4, 1.2), (3, 4, 0.375)])

4 图的基本属性

4.1 节点集合

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2, 3])
G.add_edge(1, 2)
G.add_edges_from([(1, 3)])
 
 
print(list(G.nodes()))
#[1, 2, 3]

4.2 边集合

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2,3])
G.add_edge(1, 2)
G.add_edges_from(
    [(1, 3, {'weight': 3.1415})]
    )
 
print(G.edges)
#[(1, 2), (1, 3)]
 
 
print(G.edges.data())
#[(1, 2, {}), (1, 3, {'weight': 3.1415})]
 
 
print(G.edges.data('weight'))
#[(1, 2, None), (1, 3, 3.1415)]

4.2.1 可以用G[i][j]表示连接i和j的边的信息

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2,3])
G.add_edge(1, 2)
G.add_edges_from(
    [(1, 3, {'weight': 3.1415})]
    )
 
print(G[1][2],G[1][3],G[1][3]['weight'])
#{} {'weight': 3.1415} 3.1415

4.2.2 也可以用G.edges[i,j]表示连接i和j的边的信息

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2,3])
G.add_edge(1, 2)
G.add_edges_from(
    [(1, 3, {'weight': 3.1415})]
    )
 
print(G.edges[1,3],G.edges[1,3]['weight'])
#{'weight': 3.1415} 3.1415

4.3 点相邻的集合

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2, 3])
G.add_edge(1, 2)
G.add_edges_from([(1, 3)])
 
 
print(list(G.adj[1]))
#[2, 3]
 
#或
print(list(G.neighbors(1)))
#[2, 3]
 
#或
print(G[1])
#{2: {}, 3: {}} 
#2和3大括号里面的是相连接的边的性质，我们这里没有设置
 
#或
print(G.adj)
#{1: {2: {}, 3: {}}, 2: {1: {}}, 3: {1: {}}}

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2,3])
G.add_edge(1, 2)
G.add_edges_from(
    [(1, 3, {'weight': 3.1415})]
    )
 
print(G[1])
#{2: {}, 3: {'weight': 3.1415}}

4.4 节点的度

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2, 3])
G.add_edge(1, 2)
G.add_edges_from([(1, 3)])
 
 
print(G.degree[1])
#2
 
print(G.degree([1,2]))
#[(1, 2), (2, 1)]，表示点1的度为2，点2的度为1
 
print(nx.degree(G))
#[(1, 2), (2, 1), (3, 1)]
#G图所有点的度
 
#如果是加权边，也可以显示它的加权度（这里用到了后面第七节的多重图）
MG = nx.MultiGraph()
MG.add_weighted_edges_from([(1, 2, 0.5), (1, 2, 0.75), (2, 3, 0.5)])
print(MG.degree([1],weight='weight'))
#[(1, 1.25)]

4.5 点射出来的边

G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2, 3])
G.add_edge(1, 2)
G.add_edges_from([(1, 3)])
 
print(G.edges([3,2]))
#[(3, 1), (2, 1)]

4.6连通分量

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
list(nx.connected_components(G))
#[{1, 2, 3, 4, 5}]

4.7 图的直径

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
nx.diameter(G)
#2

4.8 度中心性

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
nx.degree_centrality(G)
 
#{1: 0.75, 2: 0.5, 4: 0.5, 5: 0.75, 3: 0.5}

4.9 连接中心性

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
nx.closeness_centrality(G)
#{1: 0.75, 2: 0.5, 4: 0.5, 5: 0.75, 3: 0.5}

4.10 特征向量中心性

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
nx.eigenvector_centrality(G)
'''
{1: 0.5298988890761731,
 2: 0.35775191431708964,
 4: 0.4271316779596084,
 5: 0.5298988890761731,
 3: 0.35775191431708964}
'''

4.11 中介中心性

G=nx.Graph()
G.add_edges_from([(1,2),(1,4),(1,5),(2,3),(3,5),(4,5)])
nx.betweenness_centrality(G)
#{1: 0.25, 2: 0.08333333333333333, 4: 0.0, 5: 0.25, 3: 0.08333333333333333}

4.12 拉普拉斯矩阵

import networkx as nx
G = nx.Graph()
G.add_node(1)
G.add_nodes_from([2, 3])
G.add_edge(1, 2)
G.add_edges_from([(1, 3)])
 
print(G.edges([3,2]))
#[(3, 1), (2, 1)
 
nx.laplacian_matrix(G)
'''
<3x3 sparse matrix of type '<class 'numpy.intc'>'
    with 7 stored elements in Compressed Sparse Row format>
'''
 
nx.adj_matrix(G).toarray()
'''
array([[0, 1, 1],
       [1, 0, 0],
       [1, 0, 0]], dtype=int32)
'''

5 向图形、节点和边添加属性

  • 任何属性都可以附加到图形、节点或边上。

  • 每个图、节点和边都可以在关联的属性字典中保存键/值属性对（键必须是可哈希的）。

  • 默认情况下，这些属性为空，但我们可以使用 add_edge，add_node 或直接对属性字典 G.graph， G.nodes 和G.edges进行操作

5.1 图形属性

5.1.1 创建新图形时分配图形属性

G = nx.Graph(day="Friday")
G.graph
#{'day': 'Friday'}

5.1.2 创建后修改属性

G.graph['day'] = "Monday"
G.graph
#{'day': 'Monday'}

5.2 节点属性

  • 添加节点属性 add_node()， add_nodes_from() 
G.add_node(1, time='5pm')
G.add_nodes_from([3], time='2pm')
  • 修改节点属性 G.nodes 
G.nodes[1]['room'] = 714
G.nodes.data()
#NodeDataView({1: {'time': '5pm', 'room': 714}, 3: {'time': '2pm'}})

5.3 边缘属性

  • 添加/更改边缘属性 add_edge()，add_edges_from() 
G.add_edge(1, 2, weight=4.7 )
 
G.add_edges_from([(3, 4), (4, 5)], color='red')
#两条边color都是red
 
G.add_edges_from([(1, 2, {'color': 'blue'}), (2, 3, {'weight': 8})])
  • 使用下标符号
G[1][2]['weight'] = 4.7
G.edges[3, 4]['weight'] = 4.2

6 有向图

有向图用Digraph进行声明。前面无向图的大部分操作Digraph都可以使用。

在此基础上，Digraph还有：

6.1 出入度

DG = nx.DiGraph()
DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
#添加加权边
 
print(DG.out_degree(1, weight='weight'))
#出度，如果写了  weight='weight'，那么就是计算出度的权重
#0.5
 
print(DG.in_degree(1))
#出度，如果没有写  weight='weight'，那么就是计算出度（射向几个点）
#1

6.2 指向的点和指向它的点

DG = nx.DiGraph()
DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
print(list(DG.successors(1)))
#[2]
 
print(list(DG.predecessors(1)))
#[3]

6.3 有向图无向图互转

6.3.1 有向图转无向图

有两种方法：

DG = nx.DiGraph()
DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
DG
#直接pring(DG)不会有东西打印出来。
#在命令行里面敲下这些指令，然后出来这样的输出：
#<networkx.classes.digraph.DiGraph at 0x27a716f4a08>
#说明此时是有向图
 
G=DG.to_undirected()
G
#<networkx.classes.graph.Graph at 0x27a706601c8>
#此时已经是无向图了
 
 
 
#或者
G=nx.Graph(DG)
G
#<networkx.classes.graph.Graph at 0x27a71909cc8>
#此时也是无向图

6.3.2 无向图转有向图

和有向图转无向图一样，也有两种方法：

DG = nx.Graph()
DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
DG
#<networkx.classes.graph.Graph at 0x27a71b73108>
#此时是无向图
 
G=DG.to_directed()
G
#<networkx.classes.digraph.DiGraph at 0x27a71af7248>
#此时是有向图
 
G=nx.DiGraph(DG)
G
#<networkx.classes.digraph.DiGraph at 0x27a71892c48>
#有向图了

7 多重图

  • networkx也提供了多重图的实现。在两个点之间可能有多条边，每条边描述了一些属性。

  • 多重图有向图和无向图都有，分别是MultiGraph 和MultiDiGraph

MG = nx.MultiGraph()
MG.add_weighted_edges_from([(1, 2, 0.5), (1, 2, 0.75), (2, 3, 0.5)])
dict(MG.degree(weight='weight'))
#{1: 1.25, 2: 1.75, 3: 0.5}

有一点是需要注意的，多重图转回单边图的时候，两个点之间只会留下权重最大的一条边

G=nx.Graph(MG)
dict(G.degree(weight='weight'))
 
'''
{1: 0.75, 2: 1.25, 3: 0.5}
1<--->2 之间本来有两条边，现在只留下权重大的1.25
'''

8 图的操作

8.1 子图

G = nx.Graph()
G.add_weighted_edges_from([(1, 5, 0.1),(5,2,0.1), (1, 4, 0.75), (2, 3, 0.5),(4,3,1)])
 
SG=nx.subgraph(G,[1,2,5])
#表示SG是由G的结构，[1,2,5]这几个点组成的子图
 
SG.edges.data('weight')
#EdgeDataView([(1, 5, 0.1), (5, 2, 0.1)])

8.2 合并图

8.2.1 union

将两张图和并

G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
print(G1.nodes)
#[1, 5, 2, 4, 3]
 
G2 = nx.Graph()
G2.add_edges_from([(11, 13)])#,(1,2), (1, 4), (2, 5),(4,3)])
print(G2.nodes)
#[11, 13]
 
UG=nx.union(G1,G2)
print(UG.nodes)
#[1, 5, 2, 4, 3, 11, 13]

如果这两张图中有相同的点，那么会报错

G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
 
 
G2 = nx.Graph()
G2.add_edges_from([(1,2), (1, 4), (2, 5),(4,3)])
 
UG=nx.union(G1,G2)
'''
NetworkXError: ('The node sets of G and H are not disjoint.', 
'Use appropriate rename=(Gprefix,Hprefix)or use disjoint_union(G,H).')
'''

8.2.2 disjoint_union

即使两张图中有相同的点，也不会报错，而是把相同的点重命名成新的点

import matplotlib.pyplot as plt
G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
print(G1.nodes)
#[1, 5, 2, 4, 3]
 
G2 = nx.Graph()
G2.add_edges_from([(1,2), (1, 4), (2, 5),(6,3)])
print(G2.nodes)
#[1, 2, 4, 5, 6, 3]
 
UG=nx.disjoint_union(G1,G2)
print(UG.nodes)
#[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
print(UG.edges)
# 对点进行了重命名

8.2.3 判断合并效果

import matplotlib.pyplot as plt
G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
nx.draw_networkx(G1)
plt.show()
 
G2 = nx.Graph()
G2.add_edges_from([(1,2), (1, 4), (2, 5),(4,3)])
nx.draw_networkx(G2)
plt.show()
 
UG=nx.disjoint_union(G1,G2)
nx.draw_networkx(UG)
plt.show()

8.3 笛卡尔乘积

  • cartesian_product(G, H)，G的每个点和H的每个点都需要有连接。
G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
G2 = nx.Graph()
G2.add_edges_from([(1,2), (1, 4), (2, 5),(4,3)])
 
CG=nx.cartesian_product(G1,G2)
 
nx.draw_networkx(CG)
plt.show()

8.4 图的叠加

  • compose(G, H) 就是G中的边保留，H中的边叠加到G上

  • 此时如果H中有和G中名称相同的点，那么在compose函数中视为是一个点。

G1 = nx.Graph()
G1.add_edges_from([(1, 5),(5,2), (1, 4), (2, 3),(4,3)])
G2 = nx.Graph()
G2.add_edges_from([(1,2), (1, 4), (2, 5),(6,3)])
CG=nx.compose(G1, G2)
 
 
nx.draw_networkx(CG)
 
plt.show()
  • 原来G1中的五条边现在都在，然后G2中的(1,4),(2,5)就是原来G1中的边，剩下的两条边就是新加的边。

8.5 补图

complement （g）——返回g的补图

9 特殊的图

9.1 全连接图

complete_graph （n） n个点之间两两连接

G=nx.complete_graph(10)
 
nx.draw_networkx(G)
plt.show()

9.2 二部图

G=nx.complete_bipartite_graph(3,3) 
 
nx.draw_networkx(G)
plt.show()

9.3 杠铃图

barbell_graph （M1，M2）

  • ——M1表示杠铃两头全连接图的顶点数

  • ——M2表示连接两个全连接图的路径中的节点数

G=nx.barbell_graph(5,4) 
 
nx.draw_networkx(G)
plt.show()

9.4 棒棒糖图

lollipop_graph （m，n）

  • ——m，棒棒糖图头部全连接图的顶点数

  • ——n，连接棒棒糖图头的路径的节点数

G=nx.lollipop_graph (5,4) 
 
nx.draw_networkx(G)
plt.show()

9.5 彼得森图

  • Petersen图一般译为彼得森图，是一个由10个顶点和15条边构成的连通简单图。

  • Petersen图的同构多种多样，形态各异，共120多种，然而它不是平面图，因而没有一种使得边与边没有交点。

G=nx.petersen_graph()
 
nx.draw_networkx(G)
plt.show()
  • 每次会显示一种彼得森图的同构形态（比如下面是连续两次plt.show()的结果）

9.6 塔特图

  • 感谢评论区的大佬给出定义！

  • 塔特图是具有46个顶点和69条边的3正则图。它的色数为4，色指数为3，周长为4，直径为8。

  • 塔特图是一个三次多面体图，但是非哈密顿图。

  • 因此，它是塔特猜想的一个反例（即每个三正多面体都有一个哈密顿环）。

G=nx.tutte_graph()
 
nx.draw_networkx(G)
plt.show()
  • 这个图也有很多的异构型，比如下面是连续的两个plt.show()的结果

9.7 小迷宫

  • 返回一个带有循环的小迷宫
G=nx.sedgewick_maze_graph()
 
nx.draw_networkx(G)
plt.show()

9.8 正则柏拉图四面体

G=nx.tetrahedral_graph()
 
nx.draw_networkx(G)
plt.show()

10 图的应用

10.1 最短路径

G = nx.Graph()
G.add_weighted_edges_from([(1, 5, 0.1),(5,2,0.1), (1, 4, 0.75), (2, 3, 0.5),(4,3,1)]
 
 
nx.shortest_path(G,1,3)
'''
找点1到点3的最短路径，但此时是不考虑weight的
只考虑1到3经过的点最少
所以此时会返回[1, 4, 3]
'''
 
nx.shortest_path_length(G,1,3)
'''
返回点1到点3的最短路径包括几条边
同样此时是不考虑weight的，只考虑1到3经过的点最少
所以此时会返回2
'''
 
 
nx.shortest_path(G,1,3,weight='weight')
'''
此时考虑权重了
1->5->2->3的路径长度是小于1->4->3的
所以此时会返回[1, 5, 2, 3]
'''
 
nx.shortest_path_length(G,1,3,weight='weight')
'''
此时考虑权重了
1->5->2->3的路径长度是小于1->4->3的
所以此时会返回0.7
'''
 
dict(nx.all_pairs_shortest_path(G))
##每一对点之间的最小路径
'''
{1: {1: [1], 5: [1, 5], 4: [1, 4], 2: [1, 5, 2], 3: [1, 4, 3]},
 5: {5: [5], 1: [5, 1], 2: [5, 2], 4: [5, 1, 4], 3: [5, 2, 3]},
 2: {2: [2], 5: [2, 5], 3: [2, 3], 1: [2, 5, 1], 4: [2, 3, 4]},
 4: {4: [4], 1: [4, 1], 3: [4, 3], 5: [4, 1, 5], 2: [4, 3, 2]},
 3: {3: [3], 2: [3, 2], 4: [3, 4], 5: [3, 2, 5], 1: [3, 4, 1]}}
'''
 
dict(nx.all_pairs_shortest_path_length(G))
#每一对之间的最小路径的长度
'''
{1: {1: 0, 4: 1, 5: 1, 2: 2, 3: 2},
 5: {5: 0, 1: 1, 2: 1, 3: 2, 4: 2},
 2: {2: 0, 3: 1, 5: 1, 1: 2, 4: 2},
 4: {4: 0, 1: 1, 3: 1, 2: 2, 5: 2},
 3: {3: 0, 2: 1, 4: 1, 1: 2, 5: 2}}
'''

11 绘图

import matplotlib.pyplot as plt
G = nx.Graph()
G.add_weighted_edges_from([(1, 5, 0.1),(5,2,0.1), (1, 4, 0.75), (2, 3, 0.5),(4,3,1)])
 
nx.draw(G, with_labels=True, font_weight='bold')
#with_labels=False的话，图中的点点中是没有数值的
plt.show()
 
plt.savefig("path.png")
#保存图片

11.1 设置点的颜色

import networkx as nx
import numpy as np
import random
G=nx.DiGraph()
s=set()
for i in range(100):
    s.add((random.randint(1,20),random.randint(1,20)))
G.add_edges_from(s)
nx.draw(G)
#原始图，设置20个点，随机连一些有向边

color_map=[]
for node in G:
    if(node<10):
        color_map.append('red')
    else:
        color_map.append('green')
nx.draw(G,node_color=color_map)
#设置颜色

11.2 设置点的label

  • 使用11.1 的graph
label_lst={}
for i in range(ord('A'),ord('A')+20):
    label_lst[i-ord('A')+1]=chr(i)
nx.draw(G,labels=label_lst,node_color=color_map)
最后编辑于 ：
©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 193,812评论 5赞 459
  • 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 81,626评论 2赞 371
  • 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 141,144评论 0赞 319
  • 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 52,052评论 1赞 263
  • 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 60,925评论 4赞 355
  • 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 46,035评论 1赞 272
  • 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 36,461评论 3赞 381
  • 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 35,150评论 0赞 253
  • 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 39,413评论 1赞 290
  • 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 34,501评论 2赞 307
  • 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 36,277评论 1赞 325
  • 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 32,159评论 3赞 312
  • 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 37,528评论 3赞 298
  • 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 28,868评论 0赞 17
  • 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 30,143评论 1赞 250
  • 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 41,407评论 2赞 341
  • 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 40,615评论 2赞 335

推荐阅读更多精彩内容