十分钟让我带你入门Pandas基础使用

向右看齐 2024-04-29 01:40 7阅读 0赞

### 如何导入 ###

#### 通常，我们按如下方式导入： ####

In [1]: import numpy as np
    
    In [2]: import pandas as pd

### Pandas的基本数据结构 ###

> Pandas 提供了两种类型的类来处理数据：

#### Series: 保存任何类型数据的一维标记数组 ####

> such as integers, strings, Python objects etc.

#### DataFrame：一种二维数据结构，用于保存类似 二维数组或包含行和列的表。 ####

### Object creation对象创建 ###

> 通过传递值列表来创建Series，让 pandas 创建 默认的 RangeIndex.

![在这里插入图片描述][9a0f95e6db284575b206bfc98f8ce196.png]

> 通过使用 date\_range（） 传递具有日期时间索引的 NumPy 数组来创建 DataFrame 和标记的列：

![在这里插入图片描述][aa37ac6c8b054a79ac7344388288dd40.png]

> 通过传递对象字典（其中键为列）创建 DataFrame 标签和值是列值。

![在这里插入图片描述][10cd90dd382c4a78a85467c63dc2774f.png]

> 生成的 DataFrame 的列具有不同的 类型:

![在这里插入图片描述][545be9bd08df475b9ec51f88fe83e1d9.png]

### Viewing data查看数据 ###

> 使用 DataFrame.head（） 和 DataFrame.tail（） 查看框架的顶行和底行 分别：如何参数未指定默认显示5行

![在这里插入图片描述][cff2f46ebf7043d88ea26642059c23e1.png]

> 显示 DataFrame.index 或 DataFrame.columns:

![在这里插入图片描述][66740c2998c44226a49df9d7f0bce437.png]

> 返回基础数据的 NumPy 表示形式，并带有“DataFrame.to\_numpy（）” 没有索引或列标签：

![在这里插入图片描述][d2202f8d690e4c4aaf29b7c8cd332d9c.png]

> NumPy 数组对整个数组有一个 dtype，而 pandas DataFrames 每列有一个 dtype。当你调用“DataFrame.to\_numpy（）”时，熊猫会 找到可以保存 DataFrame 中所有 dtype 的 NumPy dtype。 如果通用数据类型为“object”，则DataFrame.to\_numpy（）“将需要 复制数据。

![在这里插入图片描述][a9a40f8fff9643ba94cf5117d299159d.png]

> describe（） 显示数据的快速统计摘要

![在这里插入图片描述][14b9e4c0d2a745619406e1691d49a883.png]

> 转置数据

![在这里插入图片描述][b8f441676cf54c3cb8128b233acf7e60.png]

> DataFrame.sort\_index（） 按轴排序：  
> ![在这里插入图片描述][b09b435fe292409c9a83e055e842935a.png]  
> DataFrame.sort\_values（） 按值排序：

![在这里插入图片描述][ae10f8ba03664422827001d22a7030f3.png]

### Selection选择 ###

> 选择和设置的标准 Python / NumPy 表达式是 直观且方便交互式工作，对于生产代码，我们 推荐优化的 pandas 数据访问方式 DataFrame.at（）DataFrame.iat（）、DataFrame.loc（） 和 DataFrame.iloc（）
> 
> 对于 DataFrame，传递单个标签会选择列和 生成一个等效于 ‘df 的序列。A’

![在这里插入图片描述][16fac3267794432ca6a11ab75330f2cf.png]

> 对于 DataFrame，传递切片会选择匹配的行：

![在这里插入图片描述][a3797d0bdb984bc29f90fc4c19af792b.png]

### Selection by label按标签选择 ###

> 选择与标签匹配的行:

![在这里插入图片描述][302dba253e4c4e6da9d51e27d40dad89.png]

> 选择所有行 （:） 并选择列标签

![在这里插入图片描述][b4d0ee88a63b48f9ad7289e12c67488b.png]

> 对于标签切片，包括两个终结点:

![在这里插入图片描述][e061e8a81e7f42f392a21aa64ebb277c.png]

> 选择单行和列标签将返回标量

![在这里插入图片描述][7165e63598d14869b0278af1ab4c2eba.png]

> 为了快速访问标量（等效于前面的方法）：  
> ![在这里插入图片描述][5f48d5b4fbf5433b9c484e0bcb7830ec.png]

### Selection by position按位置选择 ###

> 通过传递的整数的位置进行选择:

![在这里插入图片描述][dba3575f728542669579471ce34d2086.png]

> 整数切片的作用类似于 NumPy/Python：

![在这里插入图片描述][d7d5ff33b1ac44cca995612dccf179fb.png]

> 整数位置列表：

![在这里插入图片描述][167373a1ee6d4cf283884f60f3f932d3.png]

> 对于显式切行：  
> ![在这里插入图片描述][3e0d4967172a4bfea7b522dca942de48.png]  
> 对于显式切片列：  
> ![在这里插入图片描述][90e4f23656e34b258cf6c7984ed4b7c4.png]  
> 要显式获取值：  
> ![在这里插入图片描述][99bd48a9ca3f4b21865f764670fb2a31.png]  
> 为了快速访问标量（等效于前面的方法）：  
> ![在这里插入图片描述][584b65136c644cb0938ac109a44aab69.png]

### Boolean indexing布尔索引 ###

> 选择其中 ‘df.A’ 大于0.

![在这里插入图片描述][12d98a370ccd46899632467663343bde.png]

> 从满足布尔条件的 DataFrame 中选择值

![在这里插入图片描述][7c6691693e5544268f7cb7655c3fb78a.png]

> 使用 isin（） 方法进行过滤：

![在这里插入图片描述][92d9931f9dee4917abee3db4a993602d.png]

### Setting设置 ###

> 设置新列会自动按索引对齐数据：

![在这里插入图片描述][ac129416720d419caa283949112c0321.png]

> 按标签设置值：

![在这里插入图片描述][cdbef738bcaa44809a0fe1d8af5935f7.png]

> 按位置设置值：

![在这里插入图片描述][d8998dc9bff64a35a6cd97de3b32363b.png]

> 通过使用 NumPy 数组进行赋值进行设置：

![在这里插入图片描述][ed3496859e2e4e86aba09a8246aa651b.png]

> 带有设置的“where”操作：

![在这里插入图片描述][35544837c10d4908b9345658312bab7b.png]

### Missing data缺少数据 ###

**对于 NumPy 数据类型，“np.nan”表示缺失数据。它是由 默认值不包括在计算中。**

> 重新索引允许您更改/添加/删除指定轴上的索引。这 返回数据的副本：

![在这里插入图片描述][cf1a7d6ac3684ca189a928c8dbc067a5.png]

> DataFrame.dropna（） 删除任何缺少数据的行：

![在这里插入图片描述][f967930982cd4873a2696dec5d83ca44.png]

> DataFrame.fillna（） 填充缺失的数据：

![在这里插入图片描述][0a2ac8f3152040b08f81ccb80345ffc3.png]

> isna（） 获取值为 ‘nan’ 的布尔掩码:

![在这里插入图片描述][1e7a59a597a34111a3ebaf5bd8a5fc93.png]

### Operations操作 ###

**操作通常排除缺失数据。**

> 计算每列的平均值：

![在这里插入图片描述][013a39c2f9794a4a95b1e7095129c12f.png]

> 计算每行的平均值：

![在这里插入图片描述][104c4ca8650f4efdac11bc90c2c5a11d.png]

> 使用具有不同索引或列的另一个 Series 或 DataFrame 进行操作 将使结果与索引或列标签的并集对齐。此外，大熊猫 自动沿指定尺寸广播，并将使用“np.nan”填充未对齐的标签

![在这里插入图片描述][1b451167bb81458cb6b9b856a94a47f7.png]

### User defined functions用户定义的函数 ###

> DataFrame.agg（） 和 DataFrame.transform（） 应用用户定义的函数 分别减少或广播其结果。平均值乘以5.6

![在这里插入图片描述][1a88fec2e0e54ab1a15e486792e65af6.png]  
![在这里插入图片描述][8ec5b667c1ce4761b99e9250ba5495c0.png]

### Value Counts价值计数 ###

![在这里插入图片描述][dc0f4e7432134d6297b9486f559ba689.png]

### String 方法 ###

**Series在’str’中配备了一套字符串处理方法 属性，以便于对数组的每个元素进行操作，如 下面的代码片段。在矢量化字符串方法中查看更多信息**  
![在这里插入图片描述][925a72cc5ebc48458d9ef8fa73a01ffb.png]

### Merge合并 ###

> 使用concat（）按行连接pandas对象:  
> ![在这里插入图片描述][96d112e8f1fa41859421124efe87cf67.png]  
> **向DataFrame中添加列的速度相对较快。 一行需要一个副本，并且可能是昂贵的。我们建议传递一个 而是将预先构建的记录列表添加到DataFrame构造函数中 通过迭代地向其添加记录来构建DataFrame。**  
> ![在这里插入图片描述][f4173ed11c3049fb9a564c17de17fc72.png]

### Join加入 ###

> merge（）在特定列上启用SQL样式连接类型沿着。请参阅数据库样式连接部分。

![在这里插入图片描述][3bc93388d77a484ba6fbb519d691994c.png]

### Grouping分组 ###

**分组的含义**  
根据某些标准将数据分组  
将函数独立地应用于每个组  
将结果合并到数据结构中  
![在这里插入图片描述][8a19b541f7984a698184a8bc0e2dedbd.png]

> 按列标签分组，选择列标签，然后应用 DataFrameGroupBy.sum() 函数到结果 团体:

![在这里插入图片描述][695822ca17a047ebb318dd036c236668.png]

> 按多列标签分组形成MultiIndex.:

![在这里插入图片描述][289badaa1fb54bcaabb8846ade96be57.png]

### Reshaping重塑 ###

![在这里插入图片描述][562d95bd4ff44211b74e37b64b521db6.png]

> stack() 方法“压缩”DataFrame 中的一个级别 列：

![在这里插入图片描述][37b2ee9df24d48b0866d344dd9815911.png]

> 使用“堆叠”的 DataFrame 或 Series（使用 MultiIndex 作为 `index`), stack() 的逆操作是 unstack()，默认情况下取消最后一层的堆叠:

![在这里插入图片描述][6008fd14715448e597460e19c897a528.png]  
![在这里插入图片描述][26e81d6276ff45278b5ad06738d77789.png]

### Pivot tables数据透视表 ###

![在这里插入图片描述][4e49499cff2941b2b979d8ac3eece287.png]

> ivot\_table() 对指定“values”index“和”columns“的 DataFrame 进行透视

![在这里插入图片描述][470a4c0182564eb1878af0167bd5bbf3.png]

### Time series时间序列 ###

**pandas 具有简单、强大、高效的执行功能 频率转换期间的重采样操作（例如，二次转换 数据转换为 5 分钟数据）。这在但不限于以下情况中极为常见： 金融应用。**  
\*\*这段代码使用了Python的Pandas库和NumPy库来处理时间序列数据。下面是代码的逐行解释：

1.  `rng = pd.date_range("1/1/2012", periods=100, freq="s")`：这一行创建了一个日期范围（`rng`），这个日期范围从2012年1月1日开始，总共包含100个时间点，每个时间点之间的间隔是1秒（由`freq="s"`指定）。
2.  `ts = pd.Series(np.random.randint(0,500,len(rng)),index=rng)`：这一行创建了一个Pandas的`Series`对象（`ts`），它的数据是通过`np.random.randint(0,500,len(rng))`生成的，这个函数从0到499（包含0和499）中随机选择整数，数量与`rng`的长度相同，即100个。这些随机整数作为`Series`的值，而`rng`（即之前创建的日期范围）作为`Series`的索引。
3.  `ts.resample("5Min").sum()`：这一行是对`ts`进行重新采样（resample），并对每个采样区间的数据求和。`"5Min"`指定了采样频率，即每5分钟为一个采样区间。由于原始数据每秒有一个数据点，重新采样后，每个5分钟的区间内的数据点会被求和。在这个例子中，因为原始数据只覆盖了100秒，所以实际上只有一个5分钟的采样区间，且这个区间内包含所有的数据点。因此，最终结果将是这100个随机整数的总和。

输出结果将是一个Pandas的`Series`对象，其索引是重新采样的时间区间（在这个例子中，只有一个时间区间，即从2012年1月1日 00:00:00开始的第一个5分钟区间），值是该时间区间内所有数据点的总和。

简而言之，这段代码生成了一个以秒为间隔的100个随机整数的时间序列，然后将这个时间序列的数据点按每5分钟一个区间进行分组，并计算每个区间内数据点的总和。由于只有100秒的数据，实际上只有一个区间，所以输出结果将是这100个随机数的总和。\*\*  
![在这里插入图片描述][4961c8ebb5234177a1b21c81e86a3018.png]

> Series.tz\_localize() 将时间序列本地化到时区

![在这里插入图片描述][98c2248fbfa94659a20e70d3691714eb.png]

> Series.tz\_convert() 将时区感知时间序列转换为另一个时区：

![在这里插入图片描述][ccb42600b8cd478b98b37e020a2ad70e.png]

> 向时间序列添加非固定持续时间（BusinessDay）：  
> pd.offsets.BusinessDay(5) 的含义是表示一个时间偏移量，用于将一个特定的日期向前或向后移动 5 个工作日。这里的“工作日”通常指的是周一到周五，不包括周末和公共假日。  
> ![在这里插入图片描述][3e8ee8daa78547598c1085c26d079e80.png]

### Categoricals分类 ###

![在这里插入图片描述][82781cb989444234b4368d90f286a480.png]

> 将原始成绩转换为分类数据类型：

![在这里插入图片描述][37ab6b6232d94db7b5d292092f34665c.png]

> 将类别重命名为更有意义的名称：

![在这里插入图片描述][2de5b3891dc0453c9c7e6daade0e45c4.png]

> 对类别重新排序并同时添加缺失的类别（Series.cat() 下的方法默认返回一个新的 Series）：

![在这里插入图片描述][e9a6bda784f14fa19eaf1040720df0dc.png]

> 排序是按照类别中的顺序，而不是词汇顺序：

![在这里插入图片描述][a27577600d6e4d5e8e42e047ae43602a.png]

> 按带有“observed=False”的分类列分组也会显示空类别：

![在这里插入图片描述][15e01a77b52445fba02b3387c5da7d2b.png]

### Plotting绘图 ###

> 我们使用标准约定来引用 matplotlib API：

![在这里插入图片描述][ca62a36489e646688880418d671d021a.png]

> `plt.close` 方法用于关闭图形窗口：

![在这里插入图片描述][7121d767c25f4447b476f432a513c579.png]

> plot() 绘制所有列：

![在这里插入图片描述][1ea14e8fe5fa4c0b865a7919b69373d5.png]

### Importing and exporting data 导入和导出数据 ###

> 写入 csv 文件：使用 DataFrame.to\_csv()  
> 从 csv 文件读取：使用 read\_csv()

![在这里插入图片描述][8b8621862d4c47c4b220131f50274f13.png]

### Parquet实木复合地板 ###

> 写入 Parquet 文件：  
> 使用 read\_parquet() 从 Parquet 文件存储读取:

![在这里插入图片描述][6cde91cd885e429aa9eb8093e7b065c9.png]

### Excel ###

> 使用 DataFrame.to\_excel() 写入 Excel 文件:  
> 使用 read\_excel() 从 Excel 文件读取:

![在这里插入图片描述][1b43ed02221d4e48ac67bfab64627d5c.png]

### Gotchas陷阱 ###

**尝试对 Series 或 DataFrame 执行布尔运算 您可能会看到如下异常：**

In [141]: if pd.Series([False, True, False]):
       .....:      print("I was true")
       .....: 
    ---------------------------------------------------------------------------
    ValueError                                Traceback (most recent call last)
    <ipython-input-141-b27eb9c1dfc0> in ?()
    ----> 1 if pd.Series([False, True, False]):
          2      print("I was true")
    
    ~/work/pandas/pandas/pandas/core/generic.py in ?(self)
       1574     @final
       1575     def __nonzero__(self) -> NoReturn:
    -> 1576         raise ValueError(
       1577             f"The truth value of a {type(self).__name__} is ambiguous. "
       1578             "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
       1579         )
    
    ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

![在这里插入图片描述][b27f728741834276afdc6cef906a2359.gif_pic_center]

[9a0f95e6db284575b206bfc98f8ce196.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/afb8cae4be9e4254b56b334cfe25d689.png
[aa37ac6c8b054a79ac7344388288dd40.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/fbe3b811caa740efb35e387502121036.png
[10cd90dd382c4a78a85467c63dc2774f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/82714dec54ec4e198b88e08d4b842b0b.png
[545be9bd08df475b9ec51f88fe83e1d9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/1553a51e00c548bf9596217a4efd565f.png
[cff2f46ebf7043d88ea26642059c23e1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/7444254f8b4e469eaa9515a40ca9089a.png
[66740c2998c44226a49df9d7f0bce437.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/6804084fa1af4930892ceb7113fc54b3.png
[d2202f8d690e4c4aaf29b7c8cd332d9c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/4e92350f476e49a98c01fa92911dfc33.png
[a9a40f8fff9643ba94cf5117d299159d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/cf8132a5f24f4fc5b66ee18b0ba36e7f.png
[14b9e4c0d2a745619406e1691d49a883.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/b1f908ab670f4b69bd1b2726ab4aa608.png
[b8f441676cf54c3cb8128b233acf7e60.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/261b89405954488a8be468874a4cc2f5.png
[b09b435fe292409c9a83e055e842935a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/6205deefa6a5413fb136d80737adce22.png
[ae10f8ba03664422827001d22a7030f3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/880b82d6acb14125bb0d96f59ede9a25.png
[16fac3267794432ca6a11ab75330f2cf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/14988575dcb84585a6233708d2701707.png
[a3797d0bdb984bc29f90fc4c19af792b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/95da08a5348244998df76d12c33e7ba6.png
[302dba253e4c4e6da9d51e27d40dad89.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/2ae895803a624ab787579d402aa7f794.png
[b4d0ee88a63b48f9ad7289e12c67488b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/61421a211e5a4f1ebbbfa042dd7e5662.png
[e061e8a81e7f42f392a21aa64ebb277c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/376455fbddc54ce7bb82a6a379f3dcb8.png
[7165e63598d14869b0278af1ab4c2eba.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/e80c1334a06f4711a1f3f24058477f3c.png
[5f48d5b4fbf5433b9c484e0bcb7830ec.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/6f294e8f3ce848cea1fb74cfbc4a25f4.png
[dba3575f728542669579471ce34d2086.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/b16b690bb7bf40e1958d56c551cd8ec6.png
[d7d5ff33b1ac44cca995612dccf179fb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/8f6c3324ac1d47529d038f4536958edd.png
[167373a1ee6d4cf283884f60f3f932d3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/31ac7974ee2e498b9d38ab401e030740.png
[3e0d4967172a4bfea7b522dca942de48.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/b08c0bb087e144d4817e6813ff639a69.png
[90e4f23656e34b258cf6c7984ed4b7c4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/926bb1d2d1ca4cf9952acfd83976b916.png
[99bd48a9ca3f4b21865f764670fb2a31.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/c7675087fe3647ec82d0ecc74c2bbcdc.png
[584b65136c644cb0938ac109a44aab69.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/7b49de9b59a44ab0a1c2b0fd06131778.png
[12d98a370ccd46899632467663343bde.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/5ccd361405be4622a2f05ffdbaee3bfb.png
[7c6691693e5544268f7cb7655c3fb78a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/92407a620acf49efbb49b325fa4fc27a.png
[92d9931f9dee4917abee3db4a993602d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/bd9232aeb2484cb397c231c1f87da520.png
[ac129416720d419caa283949112c0321.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/57039eec1f9d4020b89b919a0e1043fe.png
[cdbef738bcaa44809a0fe1d8af5935f7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/44b362b5511d495696b4ed2af34077b7.png
[d8998dc9bff64a35a6cd97de3b32363b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/4dad8ebf5dcc45ff8bcd6945aa885873.png
[ed3496859e2e4e86aba09a8246aa651b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/67fd9aa3cec346edaae1c4a4e513edfe.png
[35544837c10d4908b9345658312bab7b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/3482a0dccaec483d918806008e74ff3e.png
[cf1a7d6ac3684ca189a928c8dbc067a5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/8d949f420cdb44bbb255ec4726bad76a.png
[f967930982cd4873a2696dec5d83ca44.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/e53726f3747645e88e1d95e328124eb9.png
[0a2ac8f3152040b08f81ccb80345ffc3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/ebea8beaf6124789bf933032fc3b6483.png
[1e7a59a597a34111a3ebaf5bd8a5fc93.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/c3a01eaf14164f81a27c43a0537f0bf5.png
[013a39c2f9794a4a95b1e7095129c12f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/69842594241d4482a07dc2188fdeff08.png
[104c4ca8650f4efdac11bc90c2c5a11d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/edf64bc397e5427ba936a9bc19324dd3.png
[1b451167bb81458cb6b9b856a94a47f7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/9d4555f265bf4d27adc88d4b4015ccb0.png
[1a88fec2e0e54ab1a15e486792e65af6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/46f8df2c75cb43269be1e848b8b50852.png
[8ec5b667c1ce4761b99e9250ba5495c0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/c7230d98fc574956a2649003c43452b9.png
[dc0f4e7432134d6297b9486f559ba689.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/6e16f16201004e54acb0bd4e74132821.png
[925a72cc5ebc48458d9ef8fa73a01ffb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/8651733ea7f94507be5389b26d7440c3.png
[96d112e8f1fa41859421124efe87cf67.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/d0ee3ebd276249469b903b5302091d65.png
[f4173ed11c3049fb9a564c17de17fc72.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/01081894516b40fcbaf2098245969599.png
[3bc93388d77a484ba6fbb519d691994c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/855788e682f643459d6f0573b5d224fe.png
[8a19b541f7984a698184a8bc0e2dedbd.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/5f0baf082365436f9fad355daaaccaa1.png
[695822ca17a047ebb318dd036c236668.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/2ec8ff24463843269b53d9123739cae2.png
[289badaa1fb54bcaabb8846ade96be57.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/f8a51a65727a4f3aa94a7fcae171e878.png
[562d95bd4ff44211b74e37b64b521db6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/a0882fc9fde2474ea0b1f93949e3e6cf.png
[37b2ee9df24d48b0866d344dd9815911.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/a98d7547722c4ca088d74b57afe422fa.png
[6008fd14715448e597460e19c897a528.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/05e03d8f058a44aa902185dcf42acdcc.png
[26e81d6276ff45278b5ad06738d77789.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/5e3ef78b51f14afab58fe09f507c623a.png
[4e49499cff2941b2b979d8ac3eece287.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/7291cf24ba834f118bcceb5fd6d08b25.png
[470a4c0182564eb1878af0167bd5bbf3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/622fe96473f4442eadd3fcd03942803b.png
[4961c8ebb5234177a1b21c81e86a3018.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/cf353e20d5854d748d86f97e5b594803.png
[98c2248fbfa94659a20e70d3691714eb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/59ae0924dc674645972c507ddee2c191.png
[ccb42600b8cd478b98b37e020a2ad70e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/ab0e1de69ba1470b9f3ef14cf7ed2bc5.png
[3e8ee8daa78547598c1085c26d079e80.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/81e12457e09c462abaff4a282815b7a5.png
[82781cb989444234b4368d90f286a480.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/e6e1a2fd8a5a44d9b7a750e241f71971.png
[37ab6b6232d94db7b5d292092f34665c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/cdc333599cbd4f8e938d78102c5e7282.png
[2de5b3891dc0453c9c7e6daade0e45c4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/9f1d43598c10447a81c72204e1f221a3.png
[e9a6bda784f14fa19eaf1040720df0dc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/453b46de57ba4c1faff721a65c4936ba.png
[a27577600d6e4d5e8e42e047ae43602a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/71659124cde145ff8401b3f05a021f51.png
[15e01a77b52445fba02b3387c5da7d2b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/ce8ac36725604e96830db9442ac36db9.png
[ca62a36489e646688880418d671d021a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/9c013b782ed444699856d5994c4c9d29.png
[7121d767c25f4447b476f432a513c579.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/ab855dd48ed8411181d3b5f1693b22f7.png
[1ea14e8fe5fa4c0b865a7919b69373d5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/84c2badc511940abb7c0c282335f85e0.png
[8b8621862d4c47c4b220131f50274f13.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/a9840af54c9243e287ce0f8842c1f3de.png
[6cde91cd885e429aa9eb8093e7b065c9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/9a60f94371ad4f69a9ebe2a059fa40e6.png
[1b43ed02221d4e48ac67bfab64627d5c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/5fb33e4f3a144cd7be74ca4adfb9bbf3.png
[b27f728741834276afdc6cef906a2359.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/29/fcd801dfd94340a58077efcc48c15f73.gif