数据分析(8)--matplotlib 数据可视化

最新推荐文章于 2024-06-07 23:22:32 发布

九点前吃饭

最新推荐文章于 2024-06-07 23:22:32 发布

阅读量893

点赞数 2

文章标签： matplotlib 数据可视化

本文链接：https://blog.csdn.net/Haiqiang1995/article/details/94365397

版权

数据可视化

基本概念

数据可视化是指借助于图形化的手段，清晰、快捷有效的传达与沟通信息。同时，也可以辅助用户做出相应的判断，更好的去洞悉数据背后的价值。

字不如表，表不如图。

观察号码的频率，每个号码出现了多少次？

文字

08 10 15 20 30 31 33 06
01 09 10 17 21 28 32 13
02 05 08 13 19 21 28 10
03 05 07 14 18 23 25 07
…… ……

表格

在这里插入图片描述

图形

通过可视化图表方式，就可以清晰的表达信息。
在这里插入图片描述

可视化图形辅助决策

1854 年英国伦敦霍乱病流行时，斯诺博士在绘有霍乱流行地区所有道路、房屋、饮用水机井等内容的城区地图上，标出了每个霍乱病死者的住家位置，得到了霍乱病死者居住位置分布图，发现了霍乱病源之所在：布劳德大街（现布劳维克大街）的公用抽水机。
在这里插入图片描述

matplotlib

matplotlib是用于Python的绘图库，提供各种常用图形的绘制。例如，条形图，柱形图，线图，散点图等。

安装

pip install matplotlib

导入

根据惯例，使用如下的方式导入：

import matplotlib as mpl
import matplotlib.pyplot as plt

图形绘制

绘制线图

可以通过matplotlib.pyplot的plot方法进行图形绘制。

plot(y)
plot(y, ‘格式’)
plot(x, y)
plot(x, y, ‘格式’)
plot(x1, y1, ‘格式1’, x2, y2, ‘格式2’ …… xn, yn, 格式n)

# 如果没有指定横坐标x，则横坐标x会从0开始，自增。（0,1,2,3,4……）
# 如果我们只绘制一个值，该值就是一个点，我们需要指定marker来设置标记，否则该点不可见。
# plt.plot(10, marker="o")
# 绘制多个点。
# plt.plot([1, 5, 8, 4, 6], marker=">")
# 显式指定横坐标。
# plt.plot([1, 3, 5, 7, 9], [2, 4, 16, 8, 10], marker="o")
# plt.plot([2, 13, 25, 7, 9], [3, 14, 6, 28, 9], marker="o")
# 可以一次性绘制多个图形。
# 格式字符串可以指定标记形状，颜色与线型。
plt.plot([1, 3], [2, 4], "r-o", [5, 8], [10, 2], "g--x")

在这里插入图片描述

图形交互式设置

我们可以设置jupyter notebook图形是否交互式显示，默认为否。

%matplotlib notebook
%matplotlib inline

%matplotlib notebook

%matplotlib inline
plt.plot([1, 2, 3], [5, 8, 11])
在这里插入图片描述

设置中文支持

matplotlib默认情况下不支持中文显示，如果需要显示中文，则我们需要做一些额外的设置操作。设置可以分为：

全局设置
局部设置

全局设置

我们可以通过执行：

mpl.rcParams["font.family"] = "中文字体名称"
mpl.rcParams["axes.unicode_minus"]=False

进行设置。常用的设置如下:

font.family 字体的名称

sans-serif 西文字体（默认）
SimHei 中文黑体
FangSong 中文仿宋
YouYuan 中文幼圆
STSong 华文宋体
Kaiti 中文楷体
LiSu 中文隶书

font.style 字体的风格

normal 常规（默认）
italic 斜体
oblique 倾斜

font.size 字体的大小（默认10）
axes.unicode_minus 是否使用Unicode的减号（负号）【在支持中文显示状态下，需要设置为False】

局部设置

在需要显式的文字中，使用fontproperties参数进行设置。

说明：

如果全局设置与局部设置冲突，以局部设置为准。

# 默认情况下，matplotlib使用的是西方字体（不支持中文的），
# 如果需要显式中文，可以将字体设置成支持中文的字体。
mpl.rcParams["font.family"] = "Kaiti"
# mpl.rcParams["font.family"] = "sans-serif"
plt.plot([1, -2, 3], [5, -10, 6])
plt.title("中文标题")
# plt.title("abcde")
# 当字体设置成支持中文的字体时，负号也会也会使用Unicode字符集的负号（不支持显式）。
# 我们需要恢复成ASCII字符集中的负号。
mpl.rcParams["axes.unicode_minus"]=False
# 设置字体形状.(对中文的字体支持的不太好)
mpl.rcParams["font.style"] = "italic"
# 设置字体的大小。
# mpl.rcParams["font.size"] = 10

在这里插入图片描述

局部设置。

plt.plot([1, 2, 3], [4, 5, 8])
plt.title(“标题信息”, fontsize=20, fontproperties=“LiSu”)
在这里插入图片描述

保存图表

通过plt的savefig方法将当前的图形保存到硬盘或者类文件对象中。

dpi：每英寸分辨率点数。
facecolor：设置图像的背景色。
bbox_inches：设置为tight，可以紧凑保存图像。

x = np.linspace(0, 2 * np.pi, num=100)
y = np.sin(x)
plt.plot(x, y)
# plt.savefig("c:/1.png", dpi=50, facecolor="g", bbox_inches="tight")
# savefig除了可以将图片保存在硬盘上之外，也可以将图片保存到类文件对象中。

# from io import StringIO
# 二进制（字节）格式的类文件对象。
from io import BytesIO
b = BytesIO()
# 保存到类文件对象中。
plt.savefig(b, dpi=50)
display(b.tell())
b.seek(0)
# b.read(50)
#  b.getvalue()

在这里插入图片描述

读取图像

from PIL import Image

image = Image.open(“c:/1.png”)

image.show()

对Image来说，open可以传递文件的路径，也可以传递一个类文件对象。

image = Image.open(b)
image.show()

颜色，点标记与线型设置

我们可以在绘制图形时，显式指定图形的颜色，点标记或线条形状。具体设置可以查看帮助文档。

color©：线条颜色。
linestyle(ls)：线条形状。
linewidth(lw)：线宽。
marker：点标记形状。
markersize(ms)：点标记的大小。
markeredgecolor(mec)：点边缘颜色。
markeredgewidth(mew)：点边缘宽度。
markerfacecolor(mfc)：点的颜色。

说明：

颜色，点标记与线型可以使用一个参数进行设置。
颜色除了可以使用预设简写的字符之外，也可以使用全称（例如red）也可以使用RGB颜色表示。

plt.plot([1, 2, 3], [4, 5, 6], “r–o”)

plt.plot([1, 2, 3], [4, 5, 6], c=“y”, ls="-.", lw=1, marker=“o”, ms=10, mec=“g”, mew=3, mfc=“r”)
在这里插入图片描述

透明度设置

在绘制图像时，我们可以通过alpha参数来控制图像的透明度，值在0 ~ 1之间。0为完全透明，1为不透明。

# 可以使用alpha参数指定图像的透明度。0完全透明，1不透明（默认）
plt.plot(5, "o", alpha=0.)

在这里插入图片描述

图例设置

在绘制多条线时，可以设置图例来标注每条线所代表的含义，使图形更加清晰易懂。
可以采用如下的方式设置图例：

调用plt的legend函数，传递一个标签数组，指定每次plot图形的标签。
在绘制的时候通过label参数指定图例中显示的名称，然后调用legend函数生成图例。

legend常用的参数：

loc：指定图例的位置。默认为best。也可以指定坐标（元组），基于图像左下角计算。
frameon：设置是否含有边框。
title：设置图例的标题。
ncol：图例显示的列数，默认为1。

last_year = np.random.randint(400, 500, 12)
this_year = np.random.randint(400, 500, 12)
# plt.plot(range(1, 13), last_year, marker="o")
# plt.plot(range(1, 13), this_year, marker="o")
# 设置图例 1 在legend方法中，按顺序指定每次绘图的标签。
# plt.legend(["2017", "2018"])
# 2 在绘制（plot）图形时，指定label参数值，该参数值为图例需要显示的文本。
plt.plot(range(1, 13), last_year, marker="o", label="2017")
plt.plot(range(1, 13), this_year, marker="o", label="2018")
# 设置图例时，可以通过loc属性来设置图例显示的位置。如果没有显式指定，则参数值为右上角。
# loc属性可以指定为字符串，整数值。或者是一个元组（两个float值指定比例）此时，会根据图像比例计算
# 图例显示的位置。原点在左下角。
# plt.legend(loc=(0, 0))
# frameon参数用来设置图例是否显示边框。默认为True。
# plt.legend(loc="best", frameon=False)
# 设置图例显示的标题。
# plt.legend(loc="best", title="图例标题")
# ncol参数用来设置图例显示的列数。（默认为1。）
# plt.legend(loc="best", ncol=2)

在这里插入图片描述

网格设置

可以通过plt的grid方法来设置是否显示网格。True为显示，False不显示。ax.grid(color=‘r’, linestyle=’-’, linewidth=2)

color：设置网格线颜色
axis：设置网格线显示x，y或者全部显示（x，y，both）。
linestyle：设置网格线形状。
linewidth：设置网格线宽度。

plt.plot([1, 2, 3, 4], [8, 2, 9, 6])
# 显示网格，默认不显示网格。
plt.grid(True, color="g", axis="both", linestyle="-.", linewidth=5)

在这里插入图片描述

绘图区域设置

我们可以在一张图上绘制多个图形，当然，我们也可以将不同的图形绘制到多个不同的区域当中。
我们可以采用以下方式来实现多个区域的绘制（创建子绘图区域）：

通过Figure对象调用add_subplot方法。
通过plt的subplot方法。
通过plt的subplots方法。

子区域1：add_subplot方法

首先创建matplotlib.figure.Figure对象，然后通过Figure对象的add_subplot方法增加子绘图区域。
add_subplot方法中，需要指定子区域的行数、列数与当前要绘制的子区域。
add_subplot方法会返回子绘图对象（轴对象），通过该对象即可实现绘图（matplotlib.axes._subplots.AxesSubplot）。

在绘制图形时，总是需要创建Figure对象。如果没有显式创建，则plt会隐式创建一个Figure对象。在绘制图形时，既可以使用plt来绘制，也可以使用子绘图对象来绘制。
如果使用plt对象绘制，则总是在最后创建的绘图区域上进行绘制，如果此时尚未创建绘图区域，则会自动创建。

说明：

add_subplot方法的参数，即可以使用三个参数分开传递，也可以使用一个参数整体传递。
可以通过plt.subplots_adjust方法来调整子绘图的位置与子绘图之间的距离。（left, right, top, bottom, wspace, hspace）
创建子区域时，可以使用facecolor设置绘图区域的背景色。

# 创建Figure对象，然后通过调用add_subplot增加绘图区域。
# 创建Figure对象。(画图必备的底层对象)
f = plt.figure()
# 调用add_subplot增加子绘图区域对象，返回AxesSubplot类型的对象。
# 三个参数，行数，列数，当前的绘图区域
ax = f.add_subplot(1, 2, 1)
# 调用AxesSubplot对象的plot方法，进行图形绘制。
# ax.plot([1, 5, 8], [10, -3, 6])
plt.plot([1, 5, 8], [10, -3, 6])
# ax = f.add_subplot(1, 2, 2)
ax = f.add_subplot("122", facecolor="g")
# ax.plot([10, 15, 28], [1, -33, 26])
plt.plot([10, 15, 28], [1, -33, 26])

# 我们可以使用plt或者是AxesSubplot对象，调用plot方法进行绘制。
# 当我们使用plt绘制时，永远会在最后一次创建的子绘图区域上进行绘制。
# 如果当前没有子绘图区域，此时会创建一个。

# 调整距离（绘图区域之间的距离以及绘图区域与边界间的距离）
plt.subplots_adjust(wspace=0.5)

在这里插入图片描述

子区域2：subplot方法

通过调用plt的subplot方法创建子绘图区域，该方法返回子绘图对象。此种方式下，会隐式创建Figure对象。
实际上，这种创建子绘图区域的方式，底层也是通过第一种方式实现的。

# ax = plt.subplot(1, 2, 1)
plt.subplot(1, 2, 1)
plt.plot([1, 2, 3], [5, 8, 6])
plt.subplot(1, 2, 2)
plt.plot([10, 5, 8], [1, 2, 3])

在这里插入图片描述

子区域3：subplots方法

通过plt的subplots方法创建子绘图区域，该方法返回一个元组（Figure对象与所有子绘图对象，如果是多个子绘图对象，则返回一个ndarray数组）。可以通过sharex与sharey来指定是否共享x轴与y轴。

# subplots会返回一个元组。（Figure对象， 所有子绘图区域对象（数组））
# 可以使用sharex与sharey设置是否共享x（y）轴。
figure, ax = plt.subplots(1, 2, sharey=True)
ax[0].plot([10, 20, 30], "r-o")
ax[1].plot([1, 2, 3], "g-o")

在这里插入图片描述

绘图区域大小设置

如果绘图子区域较多，可能会有些拥挤。此时，我们可以调整绘图区域的大小。方式如下：

在调用plt.figure()创建Figure对象时，通过figsize参数指定。单位为英寸。
在创建Figure对象后，可以通过Figure对象的set_size_inches方法设置。

说明：

如果没有显式创建Figure对象，可以通过plt的gcf函数获取当前的Figure对象。

# 创建Figure对象，通过figsize参数指定画布的大小。（单位：英寸）
# plt.figure(figsize=(10, 10))
# 第二种方式。创建Figure对象后，调用set_size_inches方法设置画布大小。
f = plt.figure()
# f.set_size_inches(10, 10)
# 获取当前的Figure对象。
# f = plt.gcf()
# f.set_size_inches(10, 10)
f2 = plt.gcf()
# 如果显式创建Figure对象，则获取的Figure对象就是我们创建的对象。
display(f is f2)
plt.plot([1, 2, 3], [20, 10, -5])

在这里插入图片描述

标签与刻度设置

可以通过plt对象的相关方法来设置（或获取）标签与刻度等信息。设置还是获取，取决于是否传递实际参数。

plt.xlim 设置或获取x轴刻度范围。
plt.ylim 设置或获取y轴刻度范围。
plt.xticks 设置或获取x轴显示的刻度与标签。
plt.yticks 设置或获取y轴显示的刻度与标签。
plt.axis 可以同时设置或获取x与y轴的刻度范围，或者是取消刻度显示。

无参数：返回一个元组。(xmin, xmax, ymin, ymax)
(xmin, xmax, ymin, ymax) 同时设置x与y轴的刻度范围。
off 取消坐标轴显示。
tight：坐标轴紧凑显示。
equal：x与y具有同样的长度。

轴标签说明与标题设置

plt.xlabel 设置x轴的标签说明。
plt.ylabel 设置y轴的标签说明。
plt.title 设置标题。

# 关于这些方法的使用，需要注意：既可以进行设置，也可以获取相关的值。
# 设置还是获取，取决于方法的参数。当方法没有参数时，获取值。当方法具有参数时，设置值。

plt.plot([1,2,3],[10,20,30])
# 设置或获取x（y）轴的界限。
# display(plt.xlim())
# plt.xlim([0, 20])
# plt.ylim()
# plt.ylim([0, 5])
# 设置（获取）轴显示的刻度。
# plt.xticks([1, 3, 5, 7, 9])
# plt.xticks()
# xticks可以传递两个数据，第1个数组用来设置显示的刻度，第2个数据用来设置刻度显示的标签。
# 如果没有显式指定第2个数组，刻度的显示标签就等于刻度的值。
# plt.xticks([1, 5, 9], ["前期", "中期", "后期"], rotation=90)

# 可以获取或设置x与y轴的界限值。（4个值）
# plt.axis()
# plt.axis([0, 20, -1, 5])
# 不显示坐标轴。
# plt.axis("off")
# 坐标轴紧凑显示
# plt.axis("tight")
# 让坐标轴x与y的比例尺相同。
# plt.axis("equal")
# 设置x轴显示的内容。
plt.xlabel("x轴")
# 设置y轴显示的内容。
plt.ylabel("y轴")
# 设置标题。
plt.title("标题")

在这里插入图片描述

通过绘图对象设置

除了通过plt对象外，我们还可以通过子绘图对象来设置与获取标签与刻度。

ax.set_xlim 设置x轴刻度范围。
ax.get_xlim 获取x轴刻度范围。
ax.set_xticks 设置x轴显示的刻度。
ax.get_xticks 获取x轴显示的刻度。
ax.set_xticklabels 设置x轴显示的刻度标签。默认显示的是就是刻度值。
ax.get_xticklabels 获取x轴显示的刻度标签。

也可以设置标签说明与标题。

ax.set_xlabel 设置x轴的标签说明。
ax.get_xlabel 获取x轴的标签说明。
ax.set_title 设置标题。
ax.get_title 获取标题。

说明：

如果需要设置或者获取y轴，只需要将x换成y即可。
在设置标签时，可以使用rotation参数，令标签旋转。

ax = plt.subplot(1, 1, 1)
ax.set_xlim(10, 20)
ax.set_xticks([10, 15, 20])
ax.set_xticklabels(["早", "中", "晚"])
ax.set_xlabel("x轴")
ax.set_ylabel("y轴")
ax.set_title("标题")

在这里插入图片描述

添加注解

我们可以在图形上绘制文本等说明信息（注解）。

普通文本

plt.text 显示文本（基于坐标）
plt.figtext 显示文本（基于图片）

箭头

plt.arrow 根据起点坐标（x，y）与各自轴的长度（x + dx, y + dy）绘制箭头。

width 箭头尾部的宽度。
head_width 箭头的宽度。
head_length 箭头的长度。

箭头与文本

plt.annotate 显示箭头与文本。

xy 箭头指向坐标
xytext 文本起点坐标。（箭头尾部坐标）
arrowprops 字典类型，可设置箭头的属性。

facecolor 箭头的颜色
headwidth 箭头的宽度
width 箭尾的宽度
shrink 收缩大小
headlength 箭头的长度
arrowstyle 一些预设的箭头样式。当含有该参数时，上述4项参数将不再有效。

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
plt.plot(x, y)
# 基于坐标显示文本
# plt.text(5, 0.5, "这是正弦曲线")
# 基于图像的比例，显示文本。
# plt.figtext(0.2, 0.5, "这是正弦曲线")
# 绘制箭头。x,y起始点坐标。   x + dx, y + dy 终止点坐标。  
# plt.arrow(5, 0.5, -2, -0.1, width=0.05, head_width=0.1, head_length=0.1, color="g")
# 同时绘制箭头与文本
# plt.annotate("这是正弦曲线", xy=(3, 0.25), xytext=(5, 0.5), arrowprops={"facecolor":"g", "headwidth":15, "width": 7, "shrink":0.1})
# plt.annotate("这是正弦曲线", xy=(3, 0.25), xytext=(5, 0.5), arrowprops={"arrowstyle": "<->"})
plt.annotate("这是正弦曲线", xy=(3, 0.25), xytext=(5, 0.5), arrowprops=dict(facecolor="g", headwidth=15, width=7, shrink=0.5))

在这里插入图片描述

绘图样式设置

我们可以通过plt.style.use("样式名")来设置绘图使用的样式。

说明：
执行plt.style.available来获取所有的绘图样式。

显示所有支持的样式

plt.style.available

设置参数指定的样式。

plt.style.use(“ggplot”)

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
plt.plot(x, y)
plt.annotate("这是正弦曲线", xy=(3, 0.25), xytext=(5, 0.5), arrowprops=dict(facecolor="g", headwidth=15, width=7, shrink=0.5))

在这里插入图片描述

图形类型

折线图

plt.plot

# 折线图适合显示具有趋势的增加变化的数据。例如，股市走势，降雨量，气温变量。
plt.plot(np.random.randint(1, 10, 20))

在这里插入图片描述

柱形图 / 条形图

plt.bar 柱形图
plt.barh 条形图

# 柱形图，条形图适合比较数值的大小。
# plt.bar(range(1, 11), np.random.randint(100, 200, 10))
plt.barh(range(1, 11), np.random.randint(100, 200, 10))

在这里插入图片描述

饼图

plt.pie 饼图

labels 每个部分显示的标签。
explode 指定每个部分距离圆心的偏移量（单位为半径的长度）。
colors 指定每个部分的颜色。
autopct 设置每个部分显示的比例值（格式化）。
couterclock 是否逆时针绘图。默认为True。
startangle 初始绘图点位置（逆时针偏移x轴的角度）。默认为偏移0度（x轴）。
shadow 是否含有阴影，默认为False。

# 饼图适合于表示比例大小。（数量不宜过多，否则会显得凌乱）
# plt.pie([10, 20, 30, 40], labels=["A部门", "B部门", "C部门", "D部门"], explode=[0, 0, 0, 0.5], colors=["r", "g", "b", "y"])
# plt.pie([10, 20, 30, 40], labels=["A部门", "B部门", "C部门", "D部门"], autopct="%.2f", counterclock=False)
plt.pie([10, 20, 30, 40], labels=["A部门", "B部门", "C部门", "D部门"], startangle=90, shadow=True)

在这里插入图片描述

散点图 / 气泡图

散点图适合于用来显示与比较数据的分布状态。

marker 点的标记。
s 点的大小。
color 点的颜色。

说明：

color与s参数可以统一设置，也可以为每一个点单独设置。

# 散点图/气泡图适合表示数据整体的分布信息。
# 散点图可以表示两个维度，加上气泡大小，颜色，可以多表示两个维度。
# plt.scatter(np.random.randint(0, 100, 100), np.random.randint(0, 100, 100), s=150, color="g")

# s（点的大小）与color（点的颜色）既可以统一制定，也可以单独制定。
# plt.scatter([1, 2, 3, 4], [4, 3, 2, 1], s=[10, 20, 30, 40], color=["r", "g", "b", "y"])

size = [10, 20, 30, 40]
color = ["r", "g", "b", "y"]


plt.scatter(np.random.randint(0, 100, 100), np.random.randint(0, 100, 100),
            s=np.random.choice(size, 100), color=np.random.choice(color, 100))

在这里插入图片描述

直方图

直方图（histogram）可以看成是一种特殊的柱形图，用来将连续的数据频率（数量）进行离散化显示。在直方图中，数据被分割成若干区间，然后统计每个区间数据出现的频率（数量）。
我们可以通过plt.hist来绘制直方图。

bins：设置分割区间的数量。
normed：进行归一化显示。（概率密度）

# 直方图适合将连续值转换成离散值，方便分组统计数量。
plt.hist(np.random.randn(100), bins=10, normed=True)
# 返回的两个ndarray。
# 第一个ndarray表示每个桶中元素的数量。
# 第二个naarray表示每个桶的界限。（前闭后开，最后一个桶例外，两端都是闭区间。）

在这里插入图片描述

箱线图

箱线图也称盒须图。通过极值与Q1,Q2,Q3值来描述数据。通过箱线图，我们可以发现数据中的离群（异常）值。
箱线图的离群点定义为：Q3+1.5IQR和Q1－1.5IQR。其中IQR为两个四分位之间的距离。

# 箱线图适合分析离群值（异常值）。
x = np.random.normal(0, 10, size=1000)
plt.boxplot(x)

在这里插入图片描述

Series与DataFrame图形绘制

Series与DataFrame类型的对象也支持图形绘制，使用对象的plot方法即可。
如果我们需要绘制图形的数据就存在Series或者DataFrame对象中，我们就可以直接绘制，而无需使用plt.plot。

其他类型图形

plot默认绘制的是线形图，我们可以通过调整其kind参数的值来绘制其他类型的图形。

line：线形图
bar：柱形图
barh：条形图
hist：直方图
kde / density：核密度图
pie：饼图
box：箱线图
area：面积图

参数：

color
alpha
stacked：是否堆叠。

说明：
plot(kind=“类型”)也可以通过plot."类型"来进行绘制。

import pandas as pd
df = pd.DataFrame([[1, 2, 3, 4], [5, 6, 7, 8]])
display(df)
# df.plot(marker="o")
# stacked设置为True，堆叠图。
# df.plot(kind="bar", stacked=True)

# df[2].plot()

# df.plot(kind="pie", y=3)
df.plot(kind="pie", subplots=True)

在这里插入图片描述
希望对你有所帮助！

九点前吃饭

关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
3
评论
数据分析(8)--matplotlib 数据可视化

数据可视化基本概念数据可视化是指借助于图形化的手段，清晰、快捷有效的传达与沟通信息。同时，也可以辅助用户做出相应的判断，更好的去洞悉数据背后的价值。字不如表，表不如图。观察号码的频率，每个号码出现了多少次？文字08 10 15 20 30 31 33 0601 09 10 17 21 28 32 1302 05 08 13 19 21 28 1003 05 07 14 18 23...
复制链接

扫一扫