Pandas基础(DataFrame+Series)

区分Numpy的Array,pandas的DataFrame,pandas的Series

Array
Series
DataFrame
在这里插入图片描述

区分 map apply applymap

区分map apply applymap
map() 是一个Series的函数,DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。

apply() 将一个函数作用于DataFrame中的每个行或者列, 默认应用于列,default 0
axis =1 ,apply function to each row. 应用于行
axis =0,apply function to each column, 应用于列

applymap() 将函数做用于DataFrame中的所有元素(elements)

apply 用在dataframe上,用于对row或者column进行计算;

applymap 用于dataframe上,是元素级别的操作;

map (其实是python自带的)用于series上,是元素级别的操作。

pandas基础示例

# import
import numpy as np
import pandas as pd
from pandas import Series, DataFrame
# https://blog.csdn.net/MsSpark/article/details/83050261
# 参考博客文章Python-Pandas中Series用法总结
# Series = list + dict + array

# 通过列表List创建Series
s = Series([1, 2, 3, 4])
print(s) # index + value

# 通过字典dict创建Series
s = Series({'a': 1, 'b': 2, 'c': 3})
print(s)

# 通过数组array创建Series
s = Series(np.arange(4), index=['a', 'c', 'b', 'c']) # 可另置index
print(s)
# Series包括index和values两部分
print(s.index)
print(s.values)
0    1
1    2
2    3
3    4
dtype: int64
a    1
b    2
c    3
dtype: int64
a    0
c    1
b    2
c    3
dtype: int64
Index(['a', 'c', 'b', 'c'], dtype='object')
[0 1 2 3]
# access
print(s)
print(s['a'])
print(s['c'])

print('s[0]=', s[0])
print(s[0:2])
print(s+10)
print('----------')
print(s[s>2])
print("----------")
print(s['a':'b'])
# 报错,因为key中为c的选项不唯一
try: print(s['a':'c'])
except KeyError as e: print(e)
a    0
c    1
b    2
c    3
dtype: int64
0
c    1
c    3
dtype: int64
s[0]= 0
a    0
c    1
dtype: int64
a    10
c    11
b    12
c    13
dtype: int64
----------
c    3
dtype: int64
----------
a    0
c    1
b    2
dtype: int64
"Cannot get right slice bound for non-unique label: 'c'"
# DataFrame = Series of Series
# https://blog.csdn.net/MsSpark/article/details/83050572
# 参考博客文章 Python-Pandas之DataFrame用法总结
# 通过numpy创建DataFrame
df = DataFrame(np.arange(9).reshape((3, 3)))
print(df)
# 指定index和columns
df = DataFrame(np.arange(9).reshape((3, 3)), \
               columns=['c1', 'c2', 'c3'], index=['i1', 'i2', 'i3'])
print(df)
   0  1  2
0  0  1  2
1  3  4  5
2  6  7  8
    c1  c2  c3
i1   0   1   2
i2   3   4   5
i3   6   7   8
# access 获取数据
print(df['c2']['i2'])
print(df.loc['i2', 'c2'])
print(df.iloc[1, 1])

print(df+10) # 每项+10
print(df[df>4]) # 找到>4的数据
print(df.T) # 求其转置
4
4
4
    c1  c2  c3
i1  10  11  12
i2  13  14  15
i3  16  17  18
     c1   c2   c3
i1  NaN  NaN  NaN
i2  NaN  NaN  5.0
i3  6.0  7.0  8.0
    i1  i2  i3
c1   0   3   6
c2   1   4   7
c3   2   5   8
# drop (and add) 删除数据
print(df.drop('i2'))
print(df.drop(['i1', 'i2']))
print(df.drop('c2', axis='columns'))
    c1  c2  c3
i1   0   1   2
i3   6   7   8
    c1  c2  c3
i3   6   7   8
    c1  c3
i1   0   2
i2   3   5
i3   6   8
# map
def workSeries(s):
    print(s)
    print('s[0]=',s[0])
    print('-----------')
    return s if s[0] < 1 else s+10

def workValue(v):
    print(v)
    return v if v < 1 else v+10

tmp =  DataFrame(np.arange(9).reshape((3, 3)))
print(tmp)

# apply()  将一个函数作用于DataFrame中的每个行或者列
# axis =1, apply function to each row. 应用于行 
# axis =0, apply function to each column, 应用于列,默认应用于列,是default 0

# 默认应用于列,所以worSeries方法参数中的s指tmp的三列数据,s[0]指s的每列中的第一个数据
# workSeries方法是在s[0]<1时返回s本身,其余时s均加十
tmp = tmp.apply(workSeries)
# tmp = tmp.apply(workSeries, axis = 0)
print('tmp=')
print(tmp)
print('xxxxxxxxxxxxxxxxxxxxxxxxx')

# apply方法在axis为1时应用于行
tmp2 =  DataFrame(np.arange(9).reshape((3, 3)))
tmp2 = tmp2.apply(workSeries, axis = 1)
print('tmp2=')
print(tmp2)
print('xxxxxxxxxxxxxxxxxxxxxxxxx')

tmp = df.copy()

# applymap()  将函数做用于DataFrame中的所有元素(elements)
tmp = tmp.applymap(workValue)
print(tmp)
   0  1  2
0  0  1  2
1  3  4  5
2  6  7  8
0    0
1    3
2    6
Name: 0, dtype: int64
s[0]= 0
-----------
0    0
1    3
2    6
Name: 0, dtype: int64
s[0]= 0
-----------
0    1
1    4
2    7
Name: 1, dtype: int64
s[0]= 1
-----------
0    2
1    5
2    8
Name: 2, dtype: int64
s[0]= 2
-----------
tmp=
   0   1   2
0  0  11  12
1  3  14  15
2  6  17  18
xxxxxxxxxxxxxxxxxxxxxxxxx
0    0
1    1
2    2
Name: 0, dtype: int64
s[0]= 0
-----------
0    0
1    1
2    2
Name: 0, dtype: int64
s[0]= 0
-----------
0    3
1    4
2    5
Name: 1, dtype: int64
s[0]= 3
-----------
0    6
1    7
2    8
Name: 2, dtype: int64
s[0]= 6
-----------
tmp2=
    0   1   2
0   0   1   2
1  13  14  15
2  16  17  18
xxxxxxxxxxxxxxxxxxxxxxxxx
0
3
6
0
3
6
1
4
7
2
5
8
    c1  c2  c3
i1   0  11  12
i2  13  14  15
i3  16  17  18
# statistics 数据统计
# head():查看数据前几项,看数据长什么样
# info():查看数据类型,以及数据缺失情况
# descibe():查看数据描述统计性信息,数据大概分布情况)

df.iloc[:, :] = np.random.randn(9).reshape((3, 3))
print(df)
print('xxxxxxxxx')

print(df.head(1))
print(df.tail(1))
print('xxxxxxxxx')
# 求和,求均值,求标准差
print(df.sum())
print(df.mean())
print(df.std())
print('xxxxxxxxx')

print(df.describe())
# DataFrame.corr(method='pearson', min_periods=1)
# 参数说明:
# method:可选值为{‘pearson’, ‘kendall’, ‘spearman’}
#                pearson:Pearson相关系数来衡量两个数据集合是否在一条线上面,即针对线性数据的相关系数计算,针对非线性数据便会有误差。
#                 kendall:用于反映分类变量相关性的指标,即针对无序序列的相关系数,非正太分布的数据
#                 spearman:非线性的,非正太分析的数据的相关系数
# min_periods:样本最少的数据量
# 返回值:各类型之间的相关系数DataFrame表格。
print(df.corr())
          c1        c2        c3
i1  0.449184 -0.156909  0.856688
i2  1.685423  0.621874 -0.683549
i3  0.097459  0.135776 -0.261908
xxxxxxxxx
          c1        c2        c3
i1  0.449184 -0.156909  0.856688
          c1        c2        c3
i3  0.097459  0.135776 -0.261908
xxxxxxxxx
c1    2.232067
c2    0.600741
c3   -0.088769
dtype: float64
c1    0.744022
c2    0.200247
c3   -0.029590
dtype: float64
c1    0.834029
c2    0.393374
c3    0.795965
dtype: float64
xxxxxxxxx
             c1        c2        c3
count  3.000000  3.000000  3.000000
mean   0.744022  0.200247 -0.029590
std    0.834029  0.393374  0.795965
min    0.097459 -0.156909 -0.683549
25%    0.273322 -0.010567 -0.472728
50%    0.449184  0.135776 -0.261908
75%    1.067304  0.378825  0.297390
max    1.685423  0.621874  0.856688
          c1        c2        c3
c1  1.000000  0.828912 -0.547359
c2  0.828912  1.000000 -0.921856
c3 -0.547359 -0.921856  1.000000
# csv file read (and write)
# more formats: json, XML, pickle
df = pd.read_csv("titanic.csv")
print(df)
print('xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx')

# 显示数据集的后五行
print(df.tail(5))
# 显示Survived的平均值
print(df['Survived'].mean())
# 显示Age的统计描述信息
print(df['Age'].describe())
print('xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx')

# 读取Age的数值并排序展示
age = df['Age'].values
print(age)
age.sort()
print(age)
     PassengerId  Survived  Pclass  \
0              1         0       3   
1              2         1       1   
2              3         1       3   
3              4         1       1   
4              5         0       3   
..           ...       ...     ...   
886          887         0       2   
887          888         1       1   
888          889         0       3   
889          890         1       1   
890          891         0       3   

                                                  Name     Sex   Age  SibSp  \
0                              Braund, Mr. Owen Harris    male  22.0      1   
1    Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
2                               Heikkinen, Miss. Laina  female  26.0      0   
3         Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
4                             Allen, Mr. William Henry    male  35.0      0   
..                                                 ...     ...   ...    ...   
886                              Montvila, Rev. Juozas    male  27.0      0   
887                       Graham, Miss. Margaret Edith  female  19.0      0   
888           Johnston, Miss. Catherine Helen "Carrie"  female   NaN      1   
889                              Behr, Mr. Karl Howell    male  26.0      0   
890                                Dooley, Mr. Patrick    male  32.0      0   

     Parch            Ticket     Fare Cabin Embarked  
0        0         A/5 21171   7.2500   NaN        S  
1        0          PC 17599  71.2833   C85        C  
2        0  STON/O2. 3101282   7.9250   NaN        S  
3        0            113803  53.1000  C123        S  
4        0            373450   8.0500   NaN        S  
..     ...               ...      ...   ...      ...  
886      0            211536  13.0000   NaN        S  
887      0            112053  30.0000   B42        S  
888      2        W./C. 6607  23.4500   NaN        S  
889      0            111369  30.0000  C148        C  
890      0            370376   7.7500   NaN        Q  

[891 rows x 12 columns]
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
     PassengerId  Survived  Pclass                                      Name  \
886          887         0       2                     Montvila, Rev. Juozas   
887          888         1       1              Graham, Miss. Margaret Edith   
888          889         0       3  Johnston, Miss. Catherine Helen "Carrie"   
889          890         1       1                     Behr, Mr. Karl Howell   
890          891         0       3                       Dooley, Mr. Patrick   

        Sex   Age  SibSp  Parch      Ticket   Fare Cabin Embarked  
886    male  27.0      0      0      211536  13.00   NaN        S  
887  female  19.0      0      0      112053  30.00   B42        S  
888  female   NaN      1      2  W./C. 6607  23.45   NaN        S  
889    male  26.0      0      0      111369  30.00  C148        C  
890    male  32.0      0      0      370376   7.75   NaN        Q  
0.3838383838383838
count    714.000000
mean      29.699118
std       14.526497
min        0.420000
25%       20.125000
50%       28.000000
75%       38.000000
max       80.000000
Name: Age, dtype: float64
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
[22.   38.   26.   35.   35.     nan 54.    2.   27.   14.    4.   58.
 20.   39.   14.   55.    2.     nan 31.     nan 35.   34.   15.   28.
  8.   38.     nan 19.     nan   nan 40.     nan   nan 66.   28.   42.
   nan 21.   18.   14.   40.   27.     nan  3.   19.     nan   nan   nan
   nan 18.    7.   21.   49.   29.   65.     nan 21.   28.5   5.   11.
 22.   38.   45.    4.     nan   nan 29.   19.   17.   26.   32.   16.
 21.   26.   32.   25.     nan   nan  0.83 30.   22.   29.     nan 28.
 17.   33.   16.     nan 23.   24.   29.   20.   46.   26.   59.     nan
 71.   23.   34.   34.   28.     nan 21.   33.   37.   28.   21.     nan
 38.     nan 47.   14.5  22.   20.   17.   21.   70.5  29.   24.    2.
 21.     nan 32.5  32.5  54.   12.     nan 24.     nan 45.   33.   20.
 47.   29.   25.   23.   19.   37.   16.   24.     nan 22.   24.   19.
 18.   19.   27.    9.   36.5  42.   51.   22.   55.5  40.5    nan 51.
 16.   30.     nan   nan 44.   40.   26.   17.    1.    9.     nan 45.
   nan 28.   61.    4.    1.   21.   56.   18.     nan 50.   30.   36.
   nan   nan  9.    1.    4.     nan   nan 45.   40.   36.   32.   19.
 19.    3.   44.   58.     nan 42.     nan 24.   28.     nan 34.   45.5
 18.    2.   32.   26.   16.   40.   24.   35.   22.   30.     nan 31.
 27.   42.   32.   30.   16.   27.   51.     nan 38.   22.   19.   20.5
 18.     nan 35.   29.   59.    5.   24.     nan 44.    8.   19.   33.
   nan   nan 29.   22.   30.   44.   25.   24.   37.   54.     nan 29.
 62.   30.   41.   29.     nan 30.   35.   50.     nan  3.   52.   40.
   nan 36.   16.   25.   58.   35.     nan 25.   41.   37.     nan 63.
 45.     nan  7.   35.   65.   28.   16.   19.     nan 33.   30.   22.
 42.   22.   26.   19.   36.   24.   24.     nan 23.5   2.     nan 50.
   nan   nan 19.     nan   nan  0.92   nan 17.   30.   30.   24.   18.
 26.   28.   43.   26.   24.   54.   31.   40.   22.   27.   30.   22.
   nan 36.   61.   36.   31.   16.     nan 45.5  38.   16.     nan   nan
 29.   41.   45.   45.    2.   24.   28.   25.   36.   24.   40.     nan
  3.   42.   23.     nan 15.   25.     nan 28.   22.   38.     nan   nan
 40.   29.   45.   35.     nan 30.   60.     nan   nan 24.   25.   18.
 19.   22.    3.     nan 22.   27.   20.   19.   42.    1.   32.   35.
   nan 18.    1.   36.     nan 17.   36.   21.   28.   23.   24.   22.
 31.   46.   23.   28.   39.   26.   21.   28.   20.   34.   51.    3.
 21.     nan   nan   nan 33.     nan 44.     nan 34.   18.   30.   10.
   nan 21.   29.   28.   18.     nan 28.   19.     nan 32.   28.     nan
 42.   17.   50.   14.   21.   24.   64.   31.   45.   20.   25.   28.
   nan  4.   13.   34.    5.   52.   36.     nan 30.   49.     nan 29.
 65.     nan 50.     nan 48.   34.   47.   48.     nan 38.     nan 56.
   nan  0.75   nan 38.   33.   23.   22.     nan 34.   29.   22.    2.
  9.     nan 50.   63.   25.     nan 35.   58.   30.    9.     nan 21.
 55.   71.   21.     nan 54.     nan 25.   24.   17.   21.     nan 37.
 16.   18.   33.     nan 28.   26.   29.     nan 36.   54.   24.   47.
 34.     nan 36.   32.   30.   22.     nan 44.     nan 40.5  50.     nan
 39.   23.    2.     nan 17.     nan 30.    7.   45.   30.     nan 22.
 36.    9.   11.   32.   50.   64.   19.     nan 33.    8.   17.   27.
   nan 22.   22.   62.   48.     nan 39.   36.     nan 40.   28.     nan
   nan 24.   19.   29.     nan 32.   62.   53.   36.     nan 16.   19.
 34.   39.     nan 32.   25.   39.   54.   36.     nan 18.   47.   60.
 22.     nan 35.   52.   47.     nan 37.   36.     nan 49.     nan 49.
 24.     nan   nan 44.   35.   36.   30.   27.   22.   40.   39.     nan
   nan   nan 35.   24.   34.   26.    4.   26.   27.   42.   20.   21.
 21.   61.   57.   21.   26.     nan 80.   51.   32.     nan  9.   28.
 32.   31.   41.     nan 20.   24.    2.     nan  0.75 48.   19.   56.
   nan 23.     nan 18.   21.     nan 18.   24.     nan 32.   23.   58.
 50.   40.   47.   36.   20.   32.   25.     nan 43.     nan 40.   31.
 70.   31.     nan 18.   24.5  18.   43.   36.     nan 27.   20.   14.
 60.   25.   14.   19.   18.   15.   31.    4.     nan 25.   60.   52.
 44.     nan 49.   42.   18.   35.   18.   25.   26.   39.   45.   42.
 22.     nan 24.     nan 48.   29.   52.   19.   38.   27.     nan 33.
  6.   17.   34.   50.   27.   20.   30.     nan 25.   25.   29.   11.
   nan 23.   23.   28.5  48.   35.     nan   nan   nan 36.   21.   24.
 31.   70.   16.   30.   19.   31.    4.    6.   33.   23.   48.    0.67
 28.   18.   34.   33.     nan 41.   20.   36.   16.   51.     nan 30.5
   nan 32.   24.   48.   57.     nan 54.   18.     nan  5.     nan 43.
 13.   17.   29.     nan 25.   25.   18.    8.    1.   46.     nan 16.
   nan   nan 25.   39.   49.   31.   30.   30.   34.   31.   11.    0.42
 27.   31.   39.   18.   39.   33.   26.   39.   35.    6.   30.5    nan
 23.   31.   43.   10.   52.   27.   38.   27.    2.     nan   nan  1.
   nan 62.   15.    0.83   nan 23.   18.   39.   21.     nan 32.     nan
 20.   16.   30.   34.5  17.   42.     nan 35.   28.     nan  4.   74.
  9.   16.   44.   18.   45.   51.   24.     nan 41.   21.   48.     nan
 24.   42.   27.   31.     nan  4.   26.   47.   33.   47.   28.   15.
 20.   19.     nan 56.   25.   33.   22.   28.   25.   39.   27.   19.
   nan 26.   32.  ]
[ 0.42  0.67  0.75  0.75  0.83  0.83  0.92  1.    1.    1.    1.    1.
  1.    1.    2.    2.    2.    2.    2.    2.    2.    2.    2.    2.
  3.    3.    3.    3.    3.    3.    4.    4.    4.    4.    4.    4.
  4.    4.    4.    4.    5.    5.    5.    5.    6.    6.    6.    7.
  7.    7.    8.    8.    8.    8.    9.    9.    9.    9.    9.    9.
  9.    9.   10.   10.   11.   11.   11.   11.   12.   13.   13.   14.
 14.   14.   14.   14.   14.   14.5  15.   15.   15.   15.   15.   16.
 16.   16.   16.   16.   16.   16.   16.   16.   16.   16.   16.   16.
 16.   16.   16.   16.   17.   17.   17.   17.   17.   17.   17.   17.
 17.   17.   17.   17.   17.   18.   18.   18.   18.   18.   18.   18.
 18.   18.   18.   18.   18.   18.   18.   18.   18.   18.   18.   18.
 18.   18.   18.   18.   18.   18.   18.   19.   19.   19.   19.   19.
 19.   19.   19.   19.   19.   19.   19.   19.   19.   19.   19.   19.
 19.   19.   19.   19.   19.   19.   19.   19.   20.   20.   20.   20.
 20.   20.   20.   20.   20.   20.   20.   20.   20.   20.   20.   20.5
 21.   21.   21.   21.   21.   21.   21.   21.   21.   21.   21.   21.
 21.   21.   21.   21.   21.   21.   21.   21.   21.   21.   21.   21.
 22.   22.   22.   22.   22.   22.   22.   22.   22.   22.   22.   22.
 22.   22.   22.   22.   22.   22.   22.   22.   22.   22.   22.   22.
 22.   22.   22.   23.   23.   23.   23.   23.   23.   23.   23.   23.
 23.   23.   23.   23.   23.   23.   23.5  24.   24.   24.   24.   24.
 24.   24.   24.   24.   24.   24.   24.   24.   24.   24.   24.   24.
 24.   24.   24.   24.   24.   24.   24.   24.   24.   24.   24.   24.
 24.   24.5  25.   25.   25.   25.   25.   25.   25.   25.   25.   25.
 25.   25.   25.   25.   25.   25.   25.   25.   25.   25.   25.   25.
 25.   26.   26.   26.   26.   26.   26.   26.   26.   26.   26.   26.
 26.   26.   26.   26.   26.   26.   26.   27.   27.   27.   27.   27.
 27.   27.   27.   27.   27.   27.   27.   27.   27.   27.   27.   27.
 27.   28.   28.   28.   28.   28.   28.   28.   28.   28.   28.   28.
 28.   28.   28.   28.   28.   28.   28.   28.   28.   28.   28.   28.
 28.   28.   28.5  28.5  29.   29.   29.   29.   29.   29.   29.   29.
 29.   29.   29.   29.   29.   29.   29.   29.   29.   29.   29.   29.
 30.   30.   30.   30.   30.   30.   30.   30.   30.   30.   30.   30.
 30.   30.   30.   30.   30.   30.   30.   30.   30.   30.   30.   30.
 30.   30.5  30.5  31.   31.   31.   31.   31.   31.   31.   31.   31.
 31.   31.   31.   31.   31.   31.   31.   31.   32.   32.   32.   32.
 32.   32.   32.   32.   32.   32.   32.   32.   32.   32.   32.   32.
 32.   32.   32.5  32.5  33.   33.   33.   33.   33.   33.   33.   33.
 33.   33.   33.   33.   33.   33.   33.   34.   34.   34.   34.   34.
 34.   34.   34.   34.   34.   34.   34.   34.   34.   34.   34.5  35.
 35.   35.   35.   35.   35.   35.   35.   35.   35.   35.   35.   35.
 35.   35.   35.   35.   35.   36.   36.   36.   36.   36.   36.   36.
 36.   36.   36.   36.   36.   36.   36.   36.   36.   36.   36.   36.
 36.   36.   36.   36.5  37.   37.   37.   37.   37.   37.   38.   38.
 38.   38.   38.   38.   38.   38.   38.   38.   38.   39.   39.   39.
 39.   39.   39.   39.   39.   39.   39.   39.   39.   39.   39.   40.
 40.   40.   40.   40.   40.   40.   40.   40.   40.   40.   40.   40.
 40.5  40.5  41.   41.   41.   41.   41.   41.   42.   42.   42.   42.
 42.   42.   42.   42.   42.   42.   42.   42.   42.   43.   43.   43.
 43.   43.   44.   44.   44.   44.   44.   44.   44.   44.   44.   45.
 45.   45.   45.   45.   45.   45.   45.   45.   45.   45.   45.   45.5
 45.5  46.   46.   46.   47.   47.   47.   47.   47.   47.   47.   47.
 47.   48.   48.   48.   48.   48.   48.   48.   48.   48.   49.   49.
 49.   49.   49.   49.   50.   50.   50.   50.   50.   50.   50.   50.
 50.   50.   51.   51.   51.   51.   51.   51.   51.   52.   52.   52.
 52.   52.   52.   53.   54.   54.   54.   54.   54.   54.   54.   54.
 55.   55.   55.5  56.   56.   56.   56.   57.   57.   58.   58.   58.
 58.   58.   59.   59.   60.   60.   60.   60.   61.   61.   61.   62.
 62.   62.   62.   63.   63.   64.   64.   65.   65.   65.   66.   70.
 70.   70.5  71.   71.   74.   80.     nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan   nan
   nan   nan   nan]


版权声明:本文为qiao_qiao_happy原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明。