Python可视化—pandas、matplotlib、seaborn

素颜马尾好姑娘i 2022-08-29 12:00 149阅读 0赞

### 文章目录 ###

*   *  1. pandas
     *   *  1.1 导入相关库
         *  1.2 读取数据
         *  1.3 添加一列数据
         *  1.4 绘制折线图
         *  1.5 柱形图
         *  1.6 直方图
         *  1.7 箱线图
         *  1.8 密度图
         *  1.9 面积图
         *  1.10 散点图
         *  1.11 饼图
     *  2. matplotlib
     *   *  2.1 导入相关库
         *  2.2 读取txt数据
         *  2.3 数据处理
         *  2.4 进行用户消费趋势的分析（按月)
         *  2.5 用户个体消费分析
         *  2.6 用户消费行为
         *  2.7 新老客消费比
         *  2.8 用户分层
         *  2.9 用户购买周期（按订单)
         *  2.10 复购率和回购率分析
     *  3. seaborn

## 1. pandas ##

### 1.1 导入相关库 ###

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
    plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）

### 1.2 读取数据 ###

df = pd.read_csv('E:\学习\DataAnalyst-gbk1.csv',encoding='gbk')

![在这里插入图片描述][9f5cd509cf66442ca202e0c808b7be64.png]

### 1.3 添加一列数据 ###

df['avg'] = (df.top+df.bottom)/2

![在这里插入图片描述][14e6816940e647ea93c42575c85acc63.png]

### 1.4 绘制折线图 ###

df.avg.plot(figsize=(100,6))

![在这里插入图片描述][69615c9f230b4784965660bd36c52fda.png]  
曲线是根据companyId绘制的，但由于公司较多，曲线看不出什么信息。所以我们根据平均工资的不同绘制不同平均工资的公司有多少。

df.avg.value_counts().sort_index().plot()

`df.avg.value_counts()`得到的是不同平均工资的公司的数量，索引是平均工资，这样直接绘制得到的图没有规律，所以我们要先将平均工资进行排序，然后再绘制。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]  
可以看到大部分的工资都集中在9-30k之间。

### 1.5 柱形图 ###

df.avg.value_counts().sort_index().plot(kind='bar')  
    #df.avg.value_counts().sort_index().plot.bar()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]  
绘制结果比较密集  
可使用透视表进行绘制，透视表就可从不同维度进行划分：

df.pivot_table(index='city',columns='education',values='avg',aggfunc='count').plot(kind='bar',stacked=True)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]  
绘制不同城市里对学历的招聘要求的公司数量。可以看到背景的公司最多，其次是上海；招聘要求本科占绝大部分比率。

df.pivot_table(index='city',columns='education',values='avg',aggfunc='count').plot(kind='barh',stacked=True)

kind = ‘barh’，图像方向改变。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]

### 1.6 直方图 ###

针对1.5的柱形图数量太多的问题，可使用直方图划分区间来绘制。

df.avg.value_counts().sort_index().plot.hist(bins=20)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]

df.groupby('education').apply(lambda x:x.avg).unstack().T  # 反堆叠

df.groupby('education').apply(lambda x:x.avg).unstack().T.plot.hist(alpha=0.5,stacked=True,bins=20)

alpha是透明度。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]

### 1.7 箱线图 ###

df.groupby('education').apply(lambda x:x.avg).unstack().T.plot.box()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]

df.boxplot(column='avg',by='education')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]

### 1.8 密度图 ###

df.groupby('education').apply(lambda x:x.avg).unstack().T.plot.kde()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]

df.avg.plot.kde()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]

### 1.9 面积图 ###

df.groupby('education').apply(lambda x:x.avg).unstack().T.plot.area()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]

df.pivot_table(index='avg',columns='education',aggfunc='count',values='companyId').plot.area()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]

### 1.10 散点图 ###

df.groupby('companyId').aggregate(['mean','count','max']).avg.plot.scatter(x='mean',y='count')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]

matrix = df.groupby('companyId').aggregate(['mean','count','max']).avg
    pd.plotting.scatter_matrix(matrix)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 13]

### 1.11 饼图 ###

df.city.value_counts().plot.pie(figsize=(6,6))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 14]

plt.pie(df.city.value_counts(),labels=df.city.value_counts().index)

## 2. matplotlib ##

### 2.1 导入相关库 ###

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt

### 2.2 读取txt数据 ###

columns = ['user_id','order_dt','order_products','order_amount']
    df = pd.read_table('E:\学习\七周成为数据分析师_课件\第七周\CDNOW_master.txt',names = columns,sep='\s+')

`sep='\s+'` 匹配任意的空格符，任意一个或者多个

### 2.3 数据处理 ###

df.describe()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 15]  
大部分订单只消费了少量商品，中位数是2，（平均2.4），有一定极值干扰。  
用户消费金额比较稳定，平均消费35元，中位数在25 元，有一定极值干扰，使得均值增大。

将日期转换为datetime格式：

df['order_dt']=pd.to_datetime(df.order_dt,format='%Y%m%d')

会分析月销售量，增加一列month。

df['month']=df.order_dt.values.astype('datetime64[M]')

### 2.4 进行用户消费趋势的分析（按月) ###

每月的消费总金额  
每月的消费次数  
每月的产品购买量  
每月的消费人数

*  每月的消费总金额

group_month = df.groupby('month')
    order_month_amount = group_month.order_amount.sum()
    order_month_amount.head()
    %matplotlib inline
    # 更改图表风格
    plt.style.use('ggplot')
    order_month_amount.plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 16]  
对月进行分组，由上图可知，消费金额在前三个月达到最高峰，后续消费额较为稳定，有轻微下降趋势

*  每月的消费次数  
    对月进行分组，然后统计用户数，计算得到每月的用户数量。

group_month.user_id.count().plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 17]  
前三个月消费订单数在10000笔左右，后续月份的平均消费人数则在2500人

*  每月的产品购买量

group_month.order_products.sum().plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 18]

*  每月的消费人数

df.groupby(['month']).user_id.apply(lambda x:len(x.drop_duplicates())).plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 19]

#第二种方式
    df.groupby(['month','user_id']).count().reset_index().groupby(['month']).count().plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 20]  
每月消费人数低于每月消费次数，但差异不大  
前三个月每月的消费人数在8000-10000之间，后续月份，平均消费人数在2000人不到

### 2.5 用户个体消费分析 ###

用户消费金额、消费次数的描述统计  
用户消费金额和消费的散点图  
用户消费金额的分布图  
用户消费次数的分布图  
用户累计消费金额占比(百分之多少的用户占了百分之多少的消费额)

*  用户消费金额、消费次数的描述统计

grouped_user = df.groupby('user_id')
    grouped_user.sum().describe()

![在这里插入图片描述][dc513801e54d4a43b1f3dc56cb4256d4.png]  
用户平均购买了7张CD，但是中位值只有3，说明小部分用户购买了大量的CD  
用户平均消费106元，中位值有43，判断同上，有极值干扰

*  用户消费金额和消费的散点图

grouped_user.sum().plot.scatter(x='order_amount',y='order_products')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 21]

grouped_user.sum().query('order_amount<6000').plot.scatter(x='order_amount',y='order_products')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 22]

*  用户消费金额的分布图

grouped_user.sum().query('order_amount<1000').order_amount.plot.hist(bins=400)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 23]  
从直方图可知，用户消费金额，绝大部分呈现集中趋势，小部分异常值干扰了判断。可以使用**过滤操作**排除异常

*  用户消费次数的分布图

grouped_user.sum().query('order_products<100').order_products.plot.hist(bins=50)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 24]  
使用切比雪夫定理过滤掉异常值，计算95%的数据的分布情况。

*  用户累计消费金额占比(百分之多少的用户占了百分之多少的消费额)

user_cumsum = grouped_user.sum().sort_values('order_amount',ascending=True).apply(lambda x:x.cumsum()/x.sum())
    user_cumsum
    user_cumsum.reset_index().order_amount.plot()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 25]  
按用户消费金额进行升序排列，由图可知50%的用户仅贡献了15%的消费额度。而排名前5000的用户就贡献了60%的消费额。

### 2.6 用户消费行为 ###

1.  用户第一次消费（首购)

grouped_user.order_dt.min().value_counts().plot() #用户第一次消费

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 26]  
用户第一次购买分布，集中在前三个月  
其中，在2月11日至2月25日有一次剧烈的波动

1.  用户最后一次消费

grouped_user.max().order_dt.value_counts().plot() # 用户最后一次消费

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 27]  
用户最后一次购买的分布比第一次分布广  
大部分最后一次购买，集中在前三个月，说明有很多用户购买了一次后就不再进行购买  
随着时间的递增，最后一次购买数也在递增，消费呈现流失上升的状况

### 2.7 新老客消费比 ###

多少用户仅消费了一次?

user_life=grouped_user.order_dt.agg(['max','min'])
    (user_life['max']==user_life['min']).value_counts()

![在这里插入图片描述][beb1bb8d8c9742acaa124f058cb03c90.png]  
有12054个人只消费了一次

每月新客占比?

grouped_month_user = df.groupby(by=['month','user_id']).count().order_dt

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 28]  
计算每月用户的购买次数。

new_ = (grouped_month_user>1).reset_index().groupby('order_dt').count()

计算购买次数小于1 次的人数，也就是老客  
![在这里插入图片描述][14b0bfe317d44ca1b636eb5db6c9fed4.png]

sum_ = grouped_month_user.reset_index().month.count()

计算每月的购买人数  
![在这里插入图片描述][55dd589f3ec24ec78dc34fcb7c779440.png]

new_rate = new_.month[0:1]/sum_

求其比值，也就是新客比例： 0.829881

### 2.8 用户分层 ###

RFM

rfm = df.pivot_table(index='user_id',
                        values = ['order_dt','order_products','order_amount'],
                        aggfunc={
        'order_dt':'max',
                            'order_products':'sum',
                            'order_amount':'sum'})

![在这里插入图片描述][b78e3633d72048eb915621613fed0d82.png]

rfm['R'] = -(rfm.order_dt-rfm.order_dt.max())/np.timedelta64(1,'D')
    rfm.rename(columns={
        'order_products':'F','order_amount':'M'},inplace=True)

![在这里插入图片描述][4ecdf59de72d4793ad8ed96cbb820b1b.png]

def rfm_func(x):
        level = x.apply(lambda x:'1' if x>= 0 else '0')
        label = level.R + level.F + level.M
        d = {
        
            '111':'重要价值客户',
            '011':'重要保持客户',
            '101':'重要挽留客户',
            '001':'重要发展客户',
            '110':'一般价值客户',
            '010':'一般保持客户',
            '100':'一般挽留客户',
            '000':'一般发展客户'
        }
        result = d[label]
        return result
    rfm['label'] = rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 29]

rfm.loc[rfm.label == '重要价值客户','color']='g'
    rfm.loc[~(rfm.label == '重要价值客户'),'color']='r'
    rfm.plot.scatter('F','R',c=rfm.color)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 30]

rfm.groupby('label').sum()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 31]  
从RFM分层可知，大部分用户为重要保持客户，但是这是由于极值的影响，所以RFM的划分标准应该以业务为准。  
尽量用小部分的用户覆盖大部分的额度  
不要为了数据好看划分等级

新、老、活跃、回流、流失

pivot_counts = df.pivot_table(index='user_id',
                                 columns='month',
                                 values='order_dt',
                                 aggfunc='count').fillna(0)
    pivot_counts

# 判断有没有购买，购买次数不重要
    df_purchase = pivot_counts.applymap(lambda x:1 if x>0 else 0)

def active_status(data):
        status = []
        for i in range(18):
             # 若本月没有消费
                if data[i] == 0:
                    if len(status)>0:
                        if status[i-1] == 'unreg':
                            status.append('unreg')
                        else:
                            status.append('unactive')
                    else:
                        status.append('unreg')
                        
            # 若本月消费了
                else:
                    if len(status)==0:
                        status.append('new')
                    else:
                        if status[i-1] == 'unactive':
                            status.append('return')
                        elif status[i-1] == 'unreg':
                            status.append('new')
                        else:
                            status.append('active')
        return status
    purchase_status = df_purchase.apply(active_status,axis=1)

![在这里插入图片描述][80983eee298040d8bda236670f35476f.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 32]

purchase_status_ct = purchase_status.replace('unreg',np.NaN).apply(lambda x:pd.value_counts(x))

![在这里插入图片描述][0460d0837469455f95edd0bb4e86ec18.png]

purchase_status_ct.fillna(0).T.apply(lambda x:x/x.sum(),axis=1)

![在这里插入图片描述][176e8f5583634cb6b8aef75031011cfb.png]

### 2.9 用户购买周期（按订单) ###

用户消费周期描述  
用户消费周期分布

order_diff = grouped_user.apply(lambda x:x.order_dt-x.order_dt.shift())

`x.order_dt` 购买日期，`x.order_dt.shift()` 购买日期向下移动一位。按用户减就是计算用户两次购买的日期差。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 33]  
![在这里插入图片描述][cb1a0ba376ae44f5b96a9cd707442e35.png]  
共有46089人购买超过两次，

(order_diff/np.timedelta64(1,'D')).hist(bins=20)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 34]

订单周期呈指数分布
    用户的平均购买周期是68天
    绝大部分用户的购买周期都低于100天

(user_life['max']-user_life['min']).describe()

![在这里插入图片描述][4e9a129ed4fa462b9327f6b730d53aa8.png]

((user_life['max']-user_life['min'])/np.timedelta64(1,'D')).hist(bins=20)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 35]

用户的生命周期受只购买一次的用户影响比较厉害(可以排除)
    用户均消费134天，中位数仅0天

u_1 = ((user_life['max']-user_life['min']).reset_index()[0]/ np.timedelta64(1,'D'))
    u_1[u_1>0].hist(bins=40)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 36]

### 2.10 复购率和回购率分析 ###

复购率  
自然月内，购买多次的用户占比

purchase_r = pivot_counts.applymap(lambda x:1 if x>1 else np.NaN if x==0 else 0)
    (purchase_r.sum()/purchase_r.count()).plot(figsize=(10,4))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 37]  
复购率稳定在20%左右，前三个月因为有大量新用户涌入，而这批用户只购买了一次，所以导致复购率降低

回购率  
曾经购买一次的顾客在某一时期内再次购买的占比

def purchase_back (data) :
        status =[]
        for i in range(17):
            if data[i] == 1:
                if data[i+1] == 1:
                    status.append(1)
                if data[i+1]== 0:
                    status.append(0)
            else:
                status.append(np.NaN)
        status.append(np.NaN)
        return status
    purchase_b = df_purchase.apply(purchase_back,axis=1)
    (purchase_b.sum()/purchase_b.count()).plot(figsize=(10,4))

## 3. seaborn ##

导入库

import seaborn as sns

1.  分布  
    distplot概率分布图

sns.distplot(df.order_amount,kde=False,hist=True)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 38]  
`kde=True`  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 39]

kdeplot概率密度图

sns.kdeplot(df.order_amount)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 40]  
jointplot联合密度图

grouped_user = df.groupby('user_id').sum()
    grouped_user.head()
    sns.jointplot(grouped_user.order_products,grouped_user.order_amount,kind='reg')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 41]  
RFM 模型

df['oeder_dt'] = pd.to_datetime(df.order_dt,format="%Y%m%d")
    rfm = df.pivot_table(index = 'user_id',
                        values = ['order_dt','order_products','order_amount'],
                        aggfunc={
        'order_dt':'max',
                            'order_products':'sum',
                            'order_amount':'sum'})
    rfm
    rfm['R'] = -(rfm.order_dt-rfm.order_dt.max())
    rfm.rename(columns={
        'order_products':'F','order_amount':'M'},inplace=True)
    rfm.head()

![在这里插入图片描述][2d0877a7103148c1a8eef68b2ce2e6e0.png]

sns.jointplot(rfm.M,rfm.F,kind='reg')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 42]  
pairplot多变量图

sns.pairplot(rfm[['R','F','M']])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 43]  
2. 分类  
boxplots箱线图  
![在这里插入图片描述][457f7f2e6d4947ed8a313a56208954fb.png]

plt.figure(figsize=(10,5))
    sns.boxplot(x='类型',y='口味',data=df)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 44]

df2 = df.query("(城市=='上海')|(城市=='北京')")
    plt.figure(figsize=(20,5))
    sns.boxplot(x='类型',y='口味',hue='城市',data=df2)

![在这里插入图片描述][825bb1da73a749c39fc2a420df02b66b.png]  
violinplots提琴图

plt.figure(figsize=(20,5))
    sns.violinplot(x='类型',y='口味',hue='城市',data=df2)

![在这里插入图片描述][97eb99d0322b4433adc76fc357012ec2.png]

plt.figure(figsize=(20,5))
    sns.violinplot(x='类型',y='口味',hue='城市',data=df2,palette='muted',split=True)

![在这里插入图片描述][9dfe22d721ac4dc580c4b5bf7823a1c1.png]  
barplot柱形图  
factorplot因子图

sns.factorplot(x='类型',y='口味',hue = '城市',data = df2,size=10)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 45]

sns.factorplot(x='类型',y='口味',hue = '城市',kind='box',data = df2,size=10)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 46]

sns.factorplot(x='类型',y='口味',col = '城市',kind='box',data = df2,size=6,aspect=4)

![在这里插入图片描述][0e4fecfc59f04cb6b9ea659fedcc2967.png]  
3. 线性  
lmplot 回归图

sns.lmplot(x='口味',y='环境',data=df2)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 47]

sns.lmplot(x='口味',y='点评',data=df2.query('点评<2000'),hue='城市')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 48]

sns.lmplot(x='口味',y='环境',data=df2.query('点评<2000'),col='城市')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 49]  
heatmap

pt = df.pivot_table(index='城市',columns='类型',
                  values='口味',aggfunc='mean')
                  plt.figure(figsize=(10,10))
    sns.heatmap(pt,annot=True)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 50]

[9f5cd509cf66442ca202e0c808b7be64.png]: /images/20220829/0ab3c865e8cf4971ba096fbaefe622ae.png
[14e6816940e647ea93c42575c85acc63.png]: /images/20220829/b27837ab91e042b6901a93aad66d1b56.png
[69615c9f230b4784965660bd36c52fda.png]: /images/20220829/ed540d4dc46146458c81d4e7822e9ad8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70]: /images/20220829/46a4a8adc9b34fb592d607900cf10d93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 1]: /images/20220829/eb7d62b4fb2148f68d97b47213b59cc7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 2]: /images/20220829/e6eb77e57469431d8efaed731bef5124.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 3]: /images/20220829/f8bdd8cb94e34960996a8c4794448fcd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 4]: /images/20220829/efc712a2ca5342cd878d012015d9d400.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 5]: /images/20220829/8221d3c27c6f4d2fbce701de5476dc38.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 6]: /images/20220829/42e549dfa05a4d229c266f0d5a9b27af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 7]: /images/20220829/20084a4d52f34c8894df3dd025cfc029.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 8]: /images/20220829/677fad3b66474f518021689c286891e7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 9]: /images/20220829/c5542bc5570446c79be2af73b4e4621a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 10]: /images/20220829/ded9fe0d524741b9bc77dcf1b11ae837.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 11]: /images/20220829/73d9e88fe0b4470bbc9fba0899def772.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 12]: /images/20220829/cd3431a2d6cb4803ac467b73a7831917.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 13]: /images/20220829/f4c6b2e6214d4b719decea0f353a1de1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 14]: /images/20220829/06aa60fbba4e40f7b4ea08dc5af45442.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 15]: /images/20220829/fddb5f9453e14474a1e8b41faf153f37.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 16]: /images/20220829/69fd1c1997a44688853a70df5a1c31d1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 17]: /images/20220829/ac02ab92ee924c5fa2048eced27e5b7f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 18]: /images/20220829/b6a11240b0894926a62c44446305141b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 19]: /images/20220829/bfa07c13f10041ba960ce58672318797.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 20]: /images/20220829/e5849c9922144649ab7284df02c49d5d.png
[dc513801e54d4a43b1f3dc56cb4256d4.png]: /images/20220829/62bcd77f39344abab24dc60448f96b17.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 21]: /images/20220829/b7c59097722740c68c5cc77a905d58ad.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 22]: /images/20220829/576ecd19ef4f4294baef657b3dc16b8d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 23]: /images/20220829/e057494f3f7e422ba8901fdf38252ec3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 24]: /images/20220829/74fad61ece1a420484bf45534682894b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 25]: /images/20220829/b6be9cebbb8d41faa73a522ded6e929a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 26]: /images/20220829/1f683638ceee47b0beb79d4f5ca9c7e8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 27]: /images/20220829/52b922a56aa14bd7a5cdb4f5e09ded76.png
[beb1bb8d8c9742acaa124f058cb03c90.png]: /images/20220829/56e43bf9a0cf48229e52ad86ddeb2f38.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 28]: /images/20220829/7fbd1412582744c88c70ef57e520737a.png
[14b0bfe317d44ca1b636eb5db6c9fed4.png]: /images/20220829/ba1e554725d242caaf22378385cba575.png
[55dd589f3ec24ec78dc34fcb7c779440.png]: /images/20220829/51369bd708c74bae86d5a421990cbbba.png
[b78e3633d72048eb915621613fed0d82.png]: /images/20220829/f9b681afa5c046999925aa806bf4b5df.png
[4ecdf59de72d4793ad8ed96cbb820b1b.png]: /images/20220829/f8da77e0bbc944bdb370a005e31e71d2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 29]: /images/20220829/8f5f18152f49407c84ddddd2d8e8e1ec.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 30]: /images/20220829/2e303df55a1e4e4dab9546dc855c27b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 31]: /images/20220829/9902d27efe854c56ada5f270121003f3.png
[80983eee298040d8bda236670f35476f.png]: /images/20220829/05d971cb7d8c46b4b6f3602f56564758.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 32]: /images/20220829/1326f9d42a034533a6750e2c2e312bd0.png
[0460d0837469455f95edd0bb4e86ec18.png]: /images/20220829/c9ee0510268241aaad5835e23da6f356.png
[176e8f5583634cb6b8aef75031011cfb.png]: /images/20220829/f320da1514cf49b5be774454c4c60c2b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 33]: /images/20220829/16ded78014084e9595a87204fd70638c.png
[cb1a0ba376ae44f5b96a9cd707442e35.png]: /images/20220829/4613c2aacd5f4297934126eb6635e6f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 34]: /images/20220829/8a282f935992475c8f59fd7f00c021c7.png
[4e9a129ed4fa462b9327f6b730d53aa8.png]: /images/20220829/d82622314f94436aa32ea6250e1d2df7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 35]: /images/20220829/c4667ac31183471ead4c9c93526722ce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 36]: /images/20220829/5b4139e5b09f472c9ac5fdcff8c6a079.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 37]: /images/20220829/4fae4cc6afa54a3cbab039669faba11d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 38]: /images/20220829/a826d28dcfaa4335a5f350e473e2513b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 39]: /images/20220829/1aa458e62d2f4d54863b1d4bea0b069f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 40]: /images/20220829/40e56612989c4b288e6c75f25c885aba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 41]: /images/20220829/019ed6cc3c1646bd9c015f28e165e419.png
[2d0877a7103148c1a8eef68b2ce2e6e0.png]: /images/20220829/3d003513b2de4cce92c4eaf00ac53222.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 42]: /images/20220829/5863819438bc4affb248cea5055a6367.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 43]: /images/20220829/6cef35bc971c456eb29068acb7dba741.png
[457f7f2e6d4947ed8a313a56208954fb.png]: https://img-blog.csdnimg.cn/457f7f2e6d4947ed8a313a56208954fb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 44]: https://img-blog.csdnimg.cn/1b5aab43243f400291f175d5ca259e13.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[825bb1da73a749c39fc2a420df02b66b.png]: https://img-blog.csdnimg.cn/825bb1da73a749c39fc2a420df02b66b.png
[97eb99d0322b4433adc76fc357012ec2.png]: https://img-blog.csdnimg.cn/97eb99d0322b4433adc76fc357012ec2.png
[9dfe22d721ac4dc580c4b5bf7823a1c1.png]: https://img-blog.csdnimg.cn/9dfe22d721ac4dc580c4b5bf7823a1c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 45]: https://img-blog.csdnimg.cn/35a22926d59243c2b0173a8ef168389e.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 46]: https://img-blog.csdnimg.cn/011312cc41c14a7e9e295232ce315470.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[0e4fecfc59f04cb6b9ea659fedcc2967.png]: https://img-blog.csdnimg.cn/0e4fecfc59f04cb6b9ea659fedcc2967.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 47]: https://img-blog.csdnimg.cn/2c4f045620174f759871a94e47b2440f.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 48]: https://img-blog.csdnimg.cn/3777a2c464ab444dbe694172a0c76be6.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 49]: https://img-blog.csdnimg.cn/b2cadfb3df734fa9811376baeb919f24.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0_size_16_color_FFFFFF_t_70 50]: https://img-blog.csdnimg.cn/961523edb7404c7d978c06557de97bdf.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MjIzNDQ0,size_16,color_FFFFFF,t_70