快速认识Pandas的10大索引

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

今天给大家带来一篇关于Pandas的基本文章：10种你必须掌握的Pandas索引。

索引在我们的日常生活中其实是很常见的，就像：

一本书有自己的目录和具体的章节，当我们想找某个知识点，翻到对应的章节即可；
也像图书馆中的书籍被分类成文史类、技术类、小说类等，再加上书籍的编号，很快就能够找到我们想要的书籍。
外出吃饭点菜的菜单，从主食类、饮料/汤类、凉菜类等，到具体的菜名等

上面不同的常用都可以看做是一个具体的索引应用。

因此，基于实际需求出发创建的索引对我们的业务工作具有很强的指导意义。在Pandas中创建合适的索引则能够方便我们的数据处理工作。

[图片上传失败...(image-3c3374-1648964038993)]

官网学习地址：https://pandas.pydata.org/docs/reference/api/pandas.Index.html

下面通过实际案例来介绍Pandas中常见的10种索引，以及如何创建它们。

pd.Index

Index是Pandas中的常见索引函数，通过它能够构建各种类型的索引，其语法为：

[图片上传失败...(image-75d8bf-1648964038994)]

pandas.Index(
  data=None, # 一维数组或者类似数组结构的数据
  dtype=None,  # NumPy数据类型(默认值：对象)
  copy=False,  # 是否生成副本
  name=None, #  索引名字
  tupleize_cols=True,  # 如果为True，则尽可能尝试创建 MultiIndex
  **kwargs
)

导入两个必需的库：

import pandas as pd
import numpy as np

默认的数据类型是int64

In [2]:

# 通过列表来创建
pd.Index([1,2,3,4])

Out[2]:

Int64Index([1, 2, 3, 4], dtype='int64')

在创建的时候，还能够直接指定数据类型：

In [3]:

# 指定索引的数据类型
pd.Index([1,2,3,4], dtype="float64")

Out[3]:

Float64Index([1.0, 2.0, 3.0, 4.0], dtype='float64')

在创建的时候指定名称name和数据类型dtype：

In [4]:

# 指定类型和名称
pd.Index([1,2,3,4], 
         dtype="float64",
         name="Peter")

Out[4]:

Float64Index([1.0, 2.0, 3.0, 4.0], dtype='float64', name='Peter')

In [5]:

# 使用list函数生成列表来创建
pd.Index(list("ABCD"))

Out[5]:

Index(['A', 'B', 'C', 'D'], dtype='object')

使用元组来进行创建：

In [6]:

# 使用元组来创建
pd.Index(("a","b","c","d"))

Out[6]:

Index(['a', 'b', 'c', 'd'], dtype='object')

使用集合来进行创建。集合本身是无序的，所以最终的结果并不一定是按照给定的元素顺序：

In [7]:

# 使用集合来创建，集合本身是无序的
pd.Index({"x","y","z"})

Out[7]:

Index(['z', 'x', 'y'], dtype='object')

pd.RangeIndex

生成一个区间内的索引，主要是基于Python的range函数，其语法为：

[图片上传失败...(image-885b93-1648964038994)]

pandas.RangeIndex(
  start=None,  # 起始值，默认为0
  stop=None,  # 终止值
  step=None,  # 步长，默认为1
  dtype=None,  # 类型
  copy=False,  # 是否生成副本
  name=None)  # 名称

下面通过多个例子来讲解：

In [8]:

pd.RangeIndex(8)  # 默认start是0，步长是1

默认结果中起始值是0，结束值是8（不包含），步长是1：

Out[8]:

RangeIndex(start=0, stop=8, step=1)

In [9]:

pd.RangeIndex(0,8)  # 指定start和stop

Out[9]:

RangeIndex(start=0, stop=8, step=1)

改变步长为2：

In [10]:

pd.RangeIndex(0,8,2)

Out[10]:

RangeIndex(start=0, stop=8, step=2)

In [11]:

list(pd.RangeIndex(0,8,2))

将结果用list显示出来，没有包含stop的值8：

Out[11]:

[0, 2, 4, 6]

下面的案例中将步长改成-1：

In [12]:

pd.RangeIndex(8,0,-1)

Out[12]:

RangeIndex(start=8, stop=0, step=-1)

In [13]:

list(pd.RangeIndex(8,0,-1))

Out[13]:

[8, 7, 6, 5, 4, 3, 2, 1]  # 结果中不包含0

pd.Int64Index

指定数据类型是int64整型

pandas.Int64Index(
  data=None,  # 生成索引的数据
  dtype=None,  # 索引类型，默认是int64
  copy=False,  # 是否生成副本
  name=None)  # 使用名称

In [14]:

pd.Int64Index([1,2,3,4])

Out[14]:

Int64Index([1, 2, 3, 4], dtype='int64')

In [15]:

pd.Int64Index([1,2.0,3,4])  # 强制转成int64类型

Out[15]:

Int64Index([1, 2, 3, 4], dtype='int64')

In [16]:

pd.Int64Index([1,2,3,4],name="Peter")

Out[16]:

Int64Index([1, 2, 3, 4], dtype='int64', name='Peter')

如果在数据中包含小数则会报错：

In [17]:

# pd.Int64Index([1,2,3,4.4])  # 出现小数则报错

[图片上传失败...(image-323e31-1648964038994)]

pd.UInt64Index

数据类型是无符号的UInt64

pandas.UInt64Index(
  data=None, 
  dtype=None, 
  copy=False, 
  name=None
)

In [18]:

pd.UInt64Index([1, 2, 3, 4])

Out[18]:

UInt64Index([1, 2, 3, 4], dtype='uint64')

In [19]:

pd.UInt64Index([1, 2, 3, 4],name="Tom")  # 指定名字

Out[19]:

UInt64Index([1, 2, 3, 4], dtype='uint64', name='Tom')

In [20]:

pd.UInt64Index([1, 2.0, 3, 4],name="Tom")

Out[20]:

UInt64Index([1, 2, 3, 4], dtype='uint64', name='Tom')

# 存在小数则报错
pd.UInt64Index([1, 2.4, 3, 4],name="Tom")

[图片上传失败...(image-991b2e-1648964038994)]

pd.Float64Index

数据类型是Float64位的浮点型，允许小数出现：

pandas.Float64Index(
  data=None,  # 数据
  dtype=None,  # 类型
  copy=False,  # 是否生成副本
  name=None  # 索引名字
)

In [22]:

pd.Float64Index([1, 2, 3, 4])

Out[22]:

Float64Index([1.0, 2.0, 3.0, 4.0], dtype='float64')

In [23]:

pd.Float64Index([1.5, 2.4, 3.7, 4.9])

Out[23]:

Float64Index([1.5, 2.4, 3.7, 4.9], dtype='float64')

In [24]:

pd.Float64Index([1.5, 2.4, 3.7, 4.9],name="peter")

Out[24]:

Float64Index([1.5, 2.4, 3.7, 4.9], dtype='float64', name='peter')

注意：在Pandas1.4.0的版本中，上面3个函数全部统一成了pd.NumericIndex方法。

pd.IntervalIndex

pd.IntervalIndex(
  data,  # 待生成索引的数据（一维）
  closed=None,  # 区间的哪边是关闭状态，{‘left’, ‘right’, ‘both’, ‘neither’}, default ‘right’
  dtype=None,  # 数据类型
  copy=False,  #  生成副本
  name=None,  # 索引的名字
  verify_integrity=True  # 判断是否符合
)

新的 IntervalIndex 通常使用interval_range()函数来进行构造，基本用法：

In [24]:

pd.interval_range(start=0, end=6)

Out[24]:

IntervalIndex([(0, 1], (1, 2], (2, 3], (3, 4], (4, 5], (5, 6]],
              closed='right',  # 默认情况下右边是关闭的
              dtype='interval[int64]')

In [25]:

pd.interval_range(start=0, end=6, closed="neither")  # 两边都不关闭

Out[25]:

IntervalIndex([(0, 1), (1, 2), (2, 3), (3, 4), (4, 5), (5, 6)],
              closed='neither',
              dtype='interval[int64]')

In [26]:

pd.interval_range(start=0, end=6, closed="both")  # 两边都关闭

Out[26]:

IntervalIndex([[0, 1], [1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
              closed='both',
              dtype='interval[int64]')

In [27]:

pd.interval_range(start=0, end=6, closed="left")  # 左边关闭

Out[27]:

IntervalIndex([[0, 1), [1, 2), [2, 3), [3, 4), [4, 5), [5, 6)],
              closed='left',
              dtype='interval[int64]')

In [28]:

pd.interval_range(start=0, end=6, name="peter")

Out[28]:

IntervalIndex([(0, 1], (1, 2], (2, 3], (3, 4], (4, 5], (5, 6]],
              closed='right',
              name='peter',
              dtype='interval[int64]')

pd.CategoricalIndex

pandas.CategoricalIndex(
  data=None,   # 数据
  categories=None,  # 分类的数据
  ordered=None,  # 是否排序
  dtype=None,   # 数据类型
  copy=False,   # 副本
  name=None)  # 名字

在下面的例子中我们以一批衣服的尺码作为模拟数据：

In [29]:

# 指定数据
c1 = pd.CategoricalIndex(["S","M","L","XS","M","L","S","M","L","XL"])
c1

Out[29]:

CategoricalIndex(
        # 数据
    ['S', 'M', 'L', 'XS', 'M', 'L', 'S', 'M', 'L', 'XL'], 
    # 出现的不同元素
    categories=['L', 'M', 'S', 'XL', 'XS'],  
    # 默认不排序 
    ordered=False,
    # 数据类型
    dtype='category'
    )

In [30]:

c2 = pd.CategoricalIndex(
    ["S","M","L","XS","M","L","S","M","L","XL"],
    # 指定分类的数据
    categories=["XS","S","M","L","XL"]
)

c2

Out[30]:

CategoricalIndex(
    ['S', 'M', 'L', 'XS', 'M', 'L', 'S', 'M', 'L', 'XL'], 
    categories=['XS', 'S', 'M', 'L', 'XL'], 
    ordered=False, 
    dtype='category'
    )

In [31]:

c3 = pd.CategoricalIndex(
    # 数据
    ["S","M","L","XS","M","L","S","M","L","XL"],
    # 分类名字
    categories=["XS","S","M","L","XL"],
    # 确定排序
    ordered=True
)

c3

Out[31]:

CategoricalIndex(
    ['S', 'M', 'L', 'XS', 'M', 'L', 'S', 'M', 'L', 'XL'], 
    categories=['XS', 'S', 'M', 'L', 'XL'], 
    ordered=True,  # 已经排序
    dtype='category')

In [32]:

c4 = pd.CategoricalIndex(
    # 待排序的数据
    ["S","M","L","XS","M","L","S","M","L","XL"],
    # 指定分类顺序
    categories=["XS","S","M","L","XL"],
    # 排序
    ordered=True,
    # 索引名字
    name="category"
)

c4

Out[32]:

CategoricalIndex(
    ['S', 'M', 'L', 'XS', 'M', 'L', 'S', 'M', 'L', 'XL'], 
    categories=['XS', 'S', 'M', 'L', 'XL'], 
    ordered=True, 
    name='category', 
    dtype='category'
    )

CategoricalIndex 索引对象也可以从 Categorical() 方法进行实例化得到：

In [33]:

c5 = pd.Categorical(["a", "b", "c", "c", "b", "c", "a"])

pd.CategoricalIndex(c5)

Out[33]:

CategoricalIndex(
    ['a', 'b', 'c', 'c', 'b', 'c', 'a'], 
    categories=['a', 'b', 'c'], 
    ordered=False,  # 默认不排序
    dtype='category')

In [34]:

pd.CategoricalIndex(c5, ordered=True)  # 指定排序

Out[34]:

CategoricalIndex(
    ['a', 'b', 'c', 'c', 'b', 'c', 'a'], 
    categories=['a', 'b', 'c'], 
    ordered=True, # 排序
    dtype='category')

pd.DatetimeIndex

以时间和日期作为索引，通过date_range函数来生成，具体语法为：

pd.DatetimeIndex(
  data=None,  # 数据
  freq=NoDefault.no_default,  # 频率
  tz=None,  #  时区
  normalize=False,  # 是否归一化 
  closed=None,  # 区间是否关闭
  # ‘infer’, bool-ndarray, ‘NaT’, 默认‘raise’
  ambiguous='raise',  
  dayfirst=False,  # 第一天
  yearfirst=False,  # 第一年
  dtype=None,  # 数据类型
  copy=False,  # 副本
  name=None  # 名字
)

以时间和日期作为索引，通过date_range函数来生成，具体例子为：

In [35]:

# 默认天为频率
pd.date_range("2022-01-01",periods=6)

Out[35]:

DatetimeIndex(
    ['2022-01-01', '2022-01-02', 
  '2022-01-03', '2022-01-04',
  '2022-01-05', '2022-01-06'],
  dtype='datetime64[ns]', 
  freq='D'  # 频率
  )

In [36]:

# 日期作为索引，D代表天
d1 = pd.date_range(
"2022-01-01",
periods=6, 
freq="D")
d1

Out[36]:

DatetimeIndex(
    ['2022-01-01', '2022-01-02', 
  '2022-01-03', '2022-01-04',
  '2022-01-05', '2022-01-06'],
  dtype='datetime64[ns]', 
  freq='D')

In [37]:

# H代表小时
pd.date_range("2022-01-01",periods=6, freq="H")

Out[37]:

DatetimeIndex(
    ['2022-01-01 00:00:00', '2022-01-01 01:00:00',
  '2022-01-01 02:00:00', '2022-01-01 03:00:00',
  '2022-01-01 04:00:00', '2022-01-01 05:00:00'],
  dtype='datetime64[ns]', 
  freq='H')

In [38]:

# M代表月
pd.date_range("2022-01-01",periods=6, freq="3M")

Out[38]:

DatetimeIndex(
    ['2022-01-31', '2022-04-30', 
  '2022-07-31','2022-10-31',
  '2023-01-31', '2023-04-30'],
  dtype='datetime64[ns]', 
  freq='3M')

In [39]:

# Q代表季度

pd.date_range("2022-01-01",periods=6, freq="Q")

显示的结果中以一个季度-3个月为频率：

Out[39]:

DatetimeIndex(
    ['2022-03-31', '2022-06-30', 
  '2022-09-30','2022-12-31',
  '2023-03-31', '2023-06-30'],
    dtype='datetime64[ns]', 
    freq='Q-DEC')

In [40]:

# 指定时区tz

pd.date_range("2022-01-01",periods=6, tz="Asia/Calcutta")

Out[40]:

DatetimeIndex(
    ['2022-01-01 00:00:00+05:30', '2022-01-02 00:00:00+05:30',
  '2022-01-03 00:00:00+05:30', '2022-01-04 00:00:00+05:30',
  '2022-01-05 00:00:00+05:30', '2022-01-06 00:00:00+05:30'],
  dtype='datetime64[ns, Asia/Calcutta]', freq='D')

pd.PeriodIndex

pd.PeriodIndex是一个专门针对周期性数据的索引，方便针对具有一定周期的数据进行处理，具体用法如下：

pd.PeriodIndex(
  data=None,  # 数据
  ordinal=None,  # 序数
  freq=None,  # 频率
  dtype=None,  # 数据类型
  copy=False,  # 副本
  name=None,  # 名字
  **fields
)

生成pd.PeriodIndex对象的方式1：指定开始时间、周期频率

In [41]:

pd.period_range('2022-01-01 09:00', periods=5, freq='H')

Out[41]:

PeriodIndex(
['2022-01-01 09:00', '2022-01-01 10:00', 
'2022-01-01 11:00','2022-01-01 12:00', '2022-01-01 13:00'],
dtype='period[H]', freq='H')

In [42]:

pd.period_range('2022-01-01 09:00', periods=6, freq='2D')

Out[42]:

PeriodIndex(
['2022-01-01', '2022-01-03', 
'2022-01-05', '2022-01-07',
'2022-01-09', '2022-01-11'],
dtype='period[2D]', 
freq='2D')

In [43]:

pd.period_range('2022-01', periods=5, freq='M')

Out[43]:

PeriodIndex(
['2022-01', '2022-02', 
'2022-03', '2022-04', '2022-05'], 
dtype='period[M]', freq='M')

In [44]:

p1 = pd.DataFrame(
    {"name":["xiaoming","xiaohong","Peter","Mike","Jimmy"]},
    # 指定索引
    index=pd.period_range('2022-01-01 09:00', periods=5, freq='3H')
)

p1

[图片上传失败...(image-cc4586-1648964038994)]

生成pd.PeriodIndex对象的方式2：直接使用pd.PeriodIndex方法

In [45]:

pd.PeriodIndex(
['2022-01-01', '2022-01-02', 
'2022-01-03', '2022-01-04'], 
freq = '2H')

Out[45]:

PeriodIndex(
['2022-01-01 00:00', '2022-01-02 00:00', 
'2022-01-03 00:00','2022-01-04 00:00'],
dtype='period[2H]', freq='2H')

In [46]:

pd.PeriodIndex(
['2022-01', '2022-02', 
'2022-03', '2022-04'], 
freq = 'M')

Out[46]:

PeriodIndex(
['2022-01', '2022-02', 
'2022-03', '2022-04'], 
dtype='period[M]', 
freq='M')

In [47]:

pd.PeriodIndex(['2022-01', '2022-07'], freq = 'Q')

Out[47]:

PeriodIndex(
['2022Q1', '2022Q3'], 
dtype='period[Q-DEC]', 
freq='Q-DEC')

生成pd.PeriodIndex对象的方式3：利用date_range函数先生成DatetimeIndex对象

In [48]:

data = pd.date_range("2022-01-01",periods=6)
data

Out[48]:

DatetimeIndex(
['2022-01-01', '2022-01-02', 
'2022-01-03', '2022-01-04',
'2022-01-05', '2022-01-06'],
dtype='datetime64[ns]', 
freq='D')

In [49]:

pd.PeriodIndex(data=data)

Out[49]:

PeriodIndex(
['2022-01-01', '2022-01-02', 
'2022-01-03', '2022-01-04',
'2022-01-05', '2022-01-06'],
dtype='period[D]', freq='D')

In [50]:

p2 = pd.DataFrame(np.random.randn(400, 1),
             columns=['number'],
             # 指定索引
             index=pd.period_range('2021-01-01 8:00',
                                   periods=400,
                                   freq='D'))
p2

[图片上传失败...(image-5d97ea-1648964038995)]

pd.TimedeltaIndex

pd.TimedeltaIndex(
  data=None,  # 数据
  unit=None,  # 最小单元
  freq=NoDefault.no_default,  # 频率 
  closed=None,  # 指定关闭的位置
  dtype=dtype('<m8[ns]'),  # 数据类型
  copy=False,  # 副本
  name=None  # 名字
)

创建方式1：指定数据和最小单元

In [51]:

pd.TimedeltaIndex([12, 24, 36, 48], unit='s')

Out[51]:

TimedeltaIndex(
    ['0 days 00:00:12', '0 days 00:00:24', 
    '0 days 00:00:36','0 days 00:00:48'],
    dtype='timedelta64[ns]', 
    freq=None)

In [52]:

pd.TimedeltaIndex([1, 2, 3, 4], unit='h') # 按小时

Out[52]:

TimedeltaIndex(
    ['0 days 01:00:00', '0 days 02:00:00', 
    '0 days 03:00:00','0 days 04:00:00'],
    dtype='timedelta64[ns]', 
    freq=None)

In [53]:

pd.TimedeltaIndex([12, 24, 36, 48], unit='h')

Out[53]:

TimedeltaIndex(
    ['0 days 12:00:00', '1 days 00:00:00', 
    '1 days 12:00:00','2 days 00:00:00'],
    dtype='timedelta64[ns]', # 数据类型
    freq=None)

In [54]:

pd.TimedeltaIndex([12, 24, 36, 48], unit='D')

Out[54]:

TimedeltaIndex(
    ['12 days', '24 days', '36 days', '48 days'], 
    dtype='timedelta64[ns]', freq=None)

创建方式2：通过timedelta_range函数来间接生成

In [55]:

data1 = pd.timedelta_range(start='1 day', periods=4)
data1

Out[55]:

TimedeltaIndex(['1 days', '2 days', '3 days', '4 days'], dtype='timedelta64[ns]', freq='D')

In [56]:

pt1 = pd.TimedeltaIndex(data1)

pt1

Out[56]:

TimedeltaIndex(
    ['1 days', '2 days', '3 days', '4 days'], 
    dtype='timedelta64[ns]', freq='D')

In [57]:

data2 = pd.timedelta_range(start='1 day', end='3 days', freq='6H')
data2

Out[57]:

TimedeltaIndex(
    ['1 days 00:00:00', '1 days 06:00:00', '1 days 12:00:00',
  '1 days 18:00:00', '2 days 00:00:00', '2 days 06:00:00',
  '2 days 12:00:00', '2 days 18:00:00', '3 days 00:00:00'],
  dtype='timedelta64[ns]', freq='6H')

In [58]:

pt2 = pd.TimedeltaIndex(data2)

pt2

Out[58]:

[图片上传失败...(image-57e0f5-1648964038995)]

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 206,602评论 6赞 481
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 88,442评论 2赞 382
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 152,878评论 0赞 344
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 55,306评论 1赞 279
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 64,330评论 5赞 373
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 49,071评论 1赞 285
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,382评论 3赞 400
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 37,006评论 0赞 259
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 43,512评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,965评论 2赞 325
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 38,094评论 1赞 333
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,732评论 4赞 323
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,283评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 30,286评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,512评论 1赞 262
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,536评论 2赞 354
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,828评论 2赞 345

快速认识Pandas的10大索引