风控项目04---特征构造

蔚落 2022-12-28 11:21 397阅读 0赞

### 目录 ###

*   *  一：数据准备：
     *   *  1.1： 数据的内在联系：
         *  1.2： 样本设计和特征框架：
     *  二：特征构造：
     *   *  2.1： 静态信息特征和时间截面特征：
         *  2.2： 时间序列特征：
         *  2.3： 时间衍生序列案例：
         *  2.4：特征交叉（特征组合）：
         *  2.5：特征变换：
         *  2.6：卡方分箱案例：
         *  2.7：编码方案：
         *  2.8：使用toad计算woe:
         *  2.9： 时间序列缺失值处理：
         *  2.10： 时间序列处理未来信息：
         *  2.11：用户关联特征：

## 一：数据准备： ##

### 1.1： 数据的内在联系： ###

1： 关系的种类：  
一对一：  
一对多：  
多对多：

2： 梳理关系画出ER图：例如下图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]  
3：明确任务是做什么？  
例如：分析**厚数据**\*常登陆\***首单用户**的逾期情况  
数据量大，经常登录，第一次下单的逾期情况分析：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]  
4： 可以将表结构展示到特征文档当中，说明取数逻辑  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]

### 1.2： 样本设计和特征框架： ###

1： 定义观察期样本：  
**确定观察期（定X时间切面）和表现期（定Y的标签）：申请贷款前往前推一年，申请贷款后，往后推迟一年看看是否逾期。**  
**确定样本数目是否合理：少则1500，多不过5万。**

2：数据的EDA:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]  
3：梳理特征框架：RFM思想：

例如：用户账单关键信息：时间，金额，还款，额度  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]

## 二：特征构造： ##

### 2.1： 静态信息特征和时间截面特征： ###

*  1： 用户静态信息特征： 用户信息基本不变的特征：身份证号
 *  2： 用户时间截面特征：
 *  3： 未来信息：当前截面之后的数据。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]  
    案例： 假设用户进行三次贷款，前两次都是没有借贷，第三次才进行借贷。  
    我的存储是这样的：  
    ![在这里插入图片描述][2020121619571892.png]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]  
    当这两张表进行连接时，则总表是：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]  
    而实际上是这样的：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]  
解决方案：加入快照存储：

![在这里插入图片描述][20201216195903890.png]

### 2.2： 时间序列特征： ###

解释什么是时间序列特征？  
某些特征，随着时间的变化而变化：例如不断购物，订单特征的不断改变。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]

### 2.3： 时间衍生序列案例： ###

数据的加载和准备：

import pandas as pd 
    import numpy as np 
    data = pd.read_excel('data/textdata.xlsx') 
    data.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]  
1：根据这个时间序列进行基于经验的人工特征衍生  
例如计算最近P个月特征大于0的月份数：

#最近p个月，ft>0的月份数 
    def Num(ft,p):
        #ft 特征名字 p特征大于0的月份数
        df=data.loc[:,ft+'1':ft+str(p)] 
        auto_value=np.where(df>0,1,0).sum(axis=1) 
        return ft+'_num'+str(p),auto_value

2：计算最近P个月特征ft等于0的月份数：

#最近p个月，ft=0的月份数 
    def zero_cnt(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)]
        auto_value=np.where(df==0,1,0).sum(axis=1) 
        return ft+'_zero_cnt'+str(p),auto_value

3： 计算近p个月特征ft大于0的月份数是否大于等于1：

#最近p个月，ft>0的月份数是否>=1 
    def Evr(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)]
        arr=np.where(df>0,1,0).sum(axis=1) 
        auto_value = np.where(arr,1,0) 
        return ft+'_evr'+str(p),auto_value

4：最近p个月，ft均值

#最近p个月，ft均值
    def Avg(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)]
        auto_value=np.nanmean(df,axis = 1 )
        return ft+'_avg'+str(p),auto_value

5：计算最近p个月特征ft的和，最大值，最小值：

#最近p个月，ft和 
    def Tot(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)] 
        auto_value=np.nansum(df,axis = 1)
        return ft+'_tot'+str(p),auto_value 
    
    #最近(2,p+1)个月，ft和 
    def Tot2T(ft,p):
        df=data.loc[:,ft+'2':ft+str(p+1)] 
        auto_value=df.sum(1) 
        return ft+'_tot2t'+str(p),auto_value 
    
    #最近p个月，ft最大值 
    def Max(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)] 
        auto_value=np.nanmax(df,axis = 1) 
        return ft+'_max'+str(p),auto_value 
    #最近p个月，ft最小值 
    
    def Min(ft,p): 
        df=data.loc[:,ft+'1':ft+str(p)]
        auto_value=np.nanmin(df,axis = 1) 
        return ft+'_min'+str(p),auto_value

6： 其余的衍生方法：

#最近p个月，最近一次ft>0到现在的月份数
    def Msg(ft,p):
        df=data.loc[:,ft+'1':ft+str(p)] 
        df_value=np.where(df>0,1,0) 
        auto_value=[]
        for i in range(len(df_value)):
            row_value=df_value[i,:] 
            if row_value.max()<=0: 
                indexs='0' 
                auto_value.append(indexs)
            else:
                indexs=1 
                for j in row_value: 
                    if j>0:
                        break 
                        indexs+=1
                auto_value.append(indexs) 
        return ft+'_msg'+str(p),auto_value
    ...

7： 最终我们能够衍生出很多列：  
但是：上面这种无差别聚合方法进行聚合得到的结果，通常具有较高的共线性，但信息量并无明显增加，影响模型的鲁棒性和稳定性。

### 2.4：特征交叉（特征组合）： ###

1：指不同特征之间基于常识、经验、数据挖掘技术进行分段组合实现特征构造，产生包  
含更多信息的新特征。

2： 了解辛普森悖论：  
辛普森悖论(Simpson’s Paradox)亦有人译为辛普森诡论，为英国统计学家EH!辛普森(EH.Simpson)于1951年提出的悖论，即在**某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论**。

案例：例一:一所美国高校的两个学院，分别是法学院和商学院，新学期招生。人们怀疑这两个学院有性别歧视。现作如下统计:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]  
为什么导致这个问题呢？  
![在这里插入图片描述][20201216214754885.png]  
3：所以我们有些时候需要将特征交叉在一起使用。

### 2.5：特征变换： ###

*  1：什么是分箱？ ： 分箱就是将连续变量离散化，合并成较少的状态。
 *  2：特征构造的过程中，对特征做分箱处理时必不可少的过程。  
    例如： 年收入和年龄的关系：  
    一个人的年收入可能在20到30谁的时候涨幅比较大，30到40岁涨幅比较小，40到50岁基本不变，50以后可能收入下降。这样的一个关系，如果我们用线性去拟合，则肯定不符合整体的规律，因此我们考虑将线性转换成一段一段的。（分箱操作）
 *  3：分箱有什么作用？  
    ![在这里插入图片描述][20201217081718564.png]
 *  4：常见的分箱方法？  
    等频分箱：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]  
    等距分箱：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]  
    卡方分箱：**使用卡方检验确定最优分箱阈值**  
    **将数据按等频或等距分箱后，计算卡方值，将卡方值较小的两个相邻箱体合并**，**使得不同箱体的好坏样本比例区别放大，容易获得高IV。**  
    **卡方分箱是利用独立性检验来挑选箱划分节点的阈值。卡方分箱的过程可以拆分为初始化和合并两步**  
    初始化：**根据连续变量值大小进行排序，构建最初的离散化**  
    合并：**遍历相邻两项合并的卡方值，将卡方值最小的两组合并，不断重复直到满足分箱数目要求**

什么是卡方检验？  
![在这里插入图片描述][20201217084127751.png]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]

### 2.6：卡方分箱案例： ###

*  Toad 是专为工业界模型开发设计的Python工具包，特别针对评分卡的开发。
 *  安装toad工具：  
    ![在这里插入图片描述][20201217085554678.png]

1： 加载数据：  
data.replace(\{\})是将原有的good和bad类型转换成01。

import pandas as pd 
    import numpy as np 
    import toad 
    data = pd.read_csv('data/germancredit.csv')
    data.replace({
        'good':0,'bad':1},inplace=True) 
    print(data.shape) # 1000 data and 20 features 
    data.head()

2：进行分箱操作：

# 1：初始化一个combiner类 
    combiner = toad.transform.Combiner()
    
    # 2： 训练数据并指定分箱方法，其它参数可选 
    # min_samples: 每箱至少包含样本量，可以是数字或者占比 
    # method='chi'指定分箱的方式：卡方分箱
    # y='creditability' 是指定我们的标签列
    combiner.fit(data,y='creditability',method='chi',min_samples = 0.05)
    
    # 3：以字典形式保存分箱结果 
    bins = combiner.export() 
    
    # 4： 查看按照duration.in.month这一列分箱的结果： 
    print('duration.in.month:', bins['duration.in.month'])

注意：**分箱是根据每个特征列都会分成不同的分箱结果，而不是按照所有特征列分箱成一种分箱结果。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]  
3：进行分箱处理：

import matplotlib.pyplot as plt
    %matplotlib inline
    from toad.plot import bin_plot 
    
    # 1：初始化一个Combiner类
    c2 = toad.transform.Combiner() 
    
    # 2：这个时候我们传递进来的只是duration.in.month这一列，和y的便签 方法是卡方分箱，n_bins=7，指定分箱结果是7个
    c2.fit(data[['duration.in.month','creditability']], y='creditability', method='chi',n_bins=7) 
    # 3： 学习规律，数据已经是分箱之后的数据了。
    transformed = c2.transform(data[['duration.in.month','creditability']],labels=True)
    
    #4：传给bin_plot的数据必须是分箱转化之后的 
    bin_plot(transformed,x='duration.in.month',target='creditability')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]  
上图中柱形图表示每一箱的占比，折线图表示每一箱的坏样本率。一般折线图要呈现出单调的趋势。

4： 在风控中，我们希望得到的是坏样本率是个单调的，因此需要修改箱体的个数：  
改成分5个箱体：

c2 = toad.transform.Combiner() 
    c2.fit(data[['duration.in.month','creditability']], y='creditability', method='chi',n_bins=5) 
    # 改成5箱 
    transformed = c2.transform(data[['duration.in.month','creditability']],labels=True) 
    #传给bin_plot的数据必须是分箱转化之后的
    bin_plot(transformed,x='duration.in.month',target='creditability')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]

5： 测试其他分箱方法：  
chi: 卡方分箱  
kmeans： 聚类分箱

for method in ['chi', 'dt', 'quantile', 'step', 'kmeans']:
        c2 = toad.transform.Combiner() 
        c2.fit(data[['duration.in.month','creditability']], y='creditability', method=method, n_bins=5) 
        bin_plot(c2.transform(data[['duration.in.month','creditability']],labels=True), x='duration.in.month',target='creditability')

### 2.7：编码方案： ###

*  1：多值无序类别特征需要做encoding处理，常见encoding方法：Onehot Encoding、Label Encoding、WOE Encoding

1： Onehot Encoding：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]  
2：Label Encoding：  
假设未婚的占比为20% 已婚的占比 40% 离异的占比为 10% 丧偶的占比为 30% 则我们用哪个0.2,0.4,0.1,0.3分别代表这个三列。

3：WOE Encoding：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]

### 2.8：使用toad计算woe: ###

1： 进行分箱操作：

# 导入划分测试集和训练集的包
    from sklearn.model_selection import train_test_split 
    
    # 1： 按照测试集为25%划分测试集和训练集
    X_train,X_test,Y_train,Y_test = train_test_split(data.drop('creditability',axis=1),data['creditability'],test_size=0.25,random_state=450)
    
    # 2：将训练集和测试集的标签列和特征列进行合并
    data_train = pd.concat([X_train,Y_train],axis=1) 
    data_test = pd.concat([X_test,Y_test],axis=1) 
    
    #3：增加一列区分训练/测试的特征 
    data_train['type'] = 'train' 
    data_test['type'] = 'test' 
    
    
    
    # 4：设置分箱边界
    adj_bin = {
        'duration.in.month': [9, 12, 18, 33]} 
    
    # 5： 创建一个Combiner对象
    c2 = toad.transform.Combiner() 
    # 设置分箱边界
    c2.set_rules(adj_bin)
    # 将训练集和测试集进行合并
    data_ = pd.concat([data_train,data_test],axis = 0) 
    # 
    temp_data = c2.transform(data_[['duration.in.month','creditability','type']]) 
    
    
    #绘制badrate_plot图 
    from toad.plot import badrate_plot, proportion_plot 
    # x = 指定X轴，x有两种值一个test/train
    badrate_plot(temp_data, target = 'creditability', x = 'type', by = 'duration.in.month')
    
    #绘制每一箱占比情况图 
    proportion_plot(temp_data['duration.in.month'])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 21]  
根据图我们发现：上面第一张图中的第一箱和第二箱的bad\_rate存在倒挂，说明bad\_rate不单调，需要调整。可以将第一箱和第二箱进行合并。

# 假定将第一箱、第二箱合并 
    adj_bin = {
        'duration.in.month': [9,18,33]} 
    
    c2.set_rules(adj_bin)
    temp_data = c2.transform(data_[['duration.in.month','creditability','type']]) 
    badrate_plot(temp_data, target = 'creditability', x = 'type', by = 'duration.in.month')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 22]  
2：计算WOE的值：

#将特征的值转化为分箱的箱号。 
    binned_data = c2.transform(data_train)
    #计算WOE
    transer = toad.transform.WOETransformer() 
    #对WOE的值进行转化，映射到原数据集上。对训练集用fit_transform,测试集用transform. 
    data_tr_woe = transer.fit_transform(binned_data, binned_data['creditability'], exclude= ['creditability','type']) 
    data_tr_woe.head()

![在这里插入图片描述][20201217111045533.png]

### 2.9： 时间序列缺失值处理： ###

白户：用户最后一次逾期距今的天数，如果填0，表示用户不会逾期？我们可以找最大的逾期天数，用这个最大的值填充。因为白户我们认为风险很大，不可能填充0。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 23]

### 2.10： 时间序列处理未来信息： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 24]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 25]

### 2.11：用户关联特征： ###

![在这里插入图片描述][20201217115047445.png]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 26]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]: /images/20221120/90df05e6d6eb4c4190b87e34ad1aeaa2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]: /images/20221120/b41c78a1b5e344199d99be1bbb7717c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]: /images/20221120/1e38e433011d49e0b6a175dfefcf5152.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]: /images/20221120/47de92430236452b914f654b0f014040.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]: /images/20221120/99d5f54298824148bc5f4301097a5f64.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]: /images/20221120/acef81e165c54b868ad698a03e578d01.png
[2020121619571892.png]: /images/20221120/b4c816d88235440b850f0af690683df3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]: /images/20221120/56ea4109cd9e4003bfdfa0b4afa5c227.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]: /images/20221120/dca3111a56f34ad4966718d0c5acd419.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]: /images/20221120/97877aeb1292480888b774bf3006ed9f.png
[20201216195903890.png]: /images/20221120/485a273cf8744a1c9cba3537d75274cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]: /images/20221120/85e2396ab84c484eb7f5edd9b75dfff1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]: /images/20221120/a19e7f4470604927be5175f46c8dc1d5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]: /images/20221120/9b78c4c555774d3393a11074d3e16fea.png
[20201216214754885.png]: /images/20221120/67a8092ca5654d99a9eb01fd0eaf48cf.png
[20201217081718564.png]: /images/20221120/ac3c6096f7c94466a4995e2b68f3309a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]: /images/20221120/5572f4f361444602934ddf5da270a54c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]: /images/20221120/c79c27e2463e48ca9ebf7fd8b3384101.png
[20201217084127751.png]: /images/20221120/2b58317235d24aceace98187d1d42052.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]: /images/20221120/10a7fb94c1114b06a5f19a0668443c3c.png
[20201217085554678.png]: /images/20221120/ed63c22e45aa411b940574c7859b64c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]: /images/20221120/edad338bfd994186a8099c7513220665.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]: /images/20221120/f9892fba04b74df7a9c784db04c8fb0f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]: /images/20221120/370432b55d0c480f8726c455dd2022fa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]: /images/20221120/113f03dff10e4c61ad7adebb5f61295f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]: /images/20221120/fcc0ed1061c042298c20ad2781f4c352.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]: /images/20221120/72efd2f805f1400480e724a4d7f3eca5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 21]: /images/20221120/e25fcb6a0b5e45ff84313ace2d2b7cae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 22]: /images/20221120/71ecc6bd3cba4ecd943d410eeb280614.png
[20201217111045533.png]: /images/20221120/01e818931b234bc19df9e737bbecb125.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 23]: /images/20221120/42f2bd5c3a9440d0994f1093c4b5f3da.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 24]: /images/20221120/e85f67526b074c8d8aa3f17c4a6fd707.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 25]: /images/20221120/e6778ec6f1634806821f4fa665d1b272.png
[20201217115047445.png]: /images/20221120/51c626c8b33b4c1c9472634ca73fb20c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 26]: /images/20221120/a4f8d68bbfe54b1ebd8ac87378f19edb.png