- 博客(230)
- 收藏
- 关注
RSS订阅原创 将科学计数法表示的DataFrame数据转换为浮点数
#将科学计数法表示的数据转换为浮点数qddf['业绩(拆分)']=['%.2f' % x for x in qddf['业绩(拆分)'].values]#筛选出指定时间段的数据cjdf.月份=pd.to_datetime(cjdf.月份)cjdf=cjdf[(cjdf.月份>'2021-06-01')]一般有两种方法：1.将df['date']转换为dtype系列datetime64[ns]，使用布尔型掩码，然后使用 df.loc[mask].2....
2021-08-26 17:01:02
3822
原创 groupby组内排序如取前n名
def sortv(x): return x.sort_values(ascending=False)[:5]tips.groupby(by='sex')['tip'].apply(sortv)
2021-08-25 11:51:31
469
原创 看《21天学通SQL SERVER》练习代码2
SELECT DISTINCT riqiFROM lianxi.dbo.zldfWHERE riqi>'6/20/2021'#查询1988年6月10日出生者的年龄SELECT DATEDIFF(yyyy,'1988/6/10',GETDATE()) AS 年龄--查询姓张、李、刘姓的学生SELECT TOP 100 聊天记录FROM lianxi.dbo.zldfWHERE 聊天记录 like '%[张李刘]%'--查询姓张、李刘姓的学生SELECT TOP 10.
2021-08-13 17:53:08
551
原创 SQL必知必会-练习代码
SELECT TOP 10 *FROM lianxi.dbo.zldfSELECT 用户id+'-'+convert(nvarchar,手机号) AS 用户id与手机号FROM lianxi.dbo.zldfSELECT 用户id,手机号FROM lianxi.dbo.zldfWHERE len(用户id)=12 AND 手机号 is not nullSELECT TOP 100 *FROM lianxi.dbo.zldfWHERE DATEPART(d,发送消息时间)=1...
2021-08-11 15:50:51
198
原创 分析报告的基本功和展现技巧
当需求方向你提出一个数据需求时，你首先要明确这到底是什么需求。核心关键点一：不仅需要确认业务方的需求字段，更要了解对方的应用场景和应用目的。想了解对方需要的到底是什么，关键要了解对方为什么要看这个数据，这个数据在什么场景使用、会怎么使用、想达到什么样的目的、解决什么问题，这些都要与需求方沟通求证。不跟需求方“哈拉”的数据分析师不是好分析师。核心关键点二：拿到需求之后，把需求放到分析师的黑匣子里，开始需求拆解与确认的过程。第一步，了解该需求的背景，即为什么需要该数据，使用该数据做什么。这里以两个不同的场
2021-08-08 13:13:36
146
原创 销售收入分析与预测(线性回归)
#读取数据import pandas as pddfaa=pd.read_excel(r'd:\Users\zhanggl21\Desktop\源代码及数据--python数据分析案例实战(慕课版)\源代码及数据--python数据分析案例实战(慕课版)\第6章\data\JDdata.xls')dfbb=pd.read_excel(r'd:\Users\zhanggl21\Desktop\源代码及数据--python数据分析案例实战(慕课版)\源代码及数据--python数据分析案例实战(慕课...
2021-08-06 18:08:55
1824
原创 到底该如何理解python里的axis=0和axis=1
官方解释：轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。注意看，官方对于0和1的解释是轴，也就是坐标轴。而坐标轴是有方向的，所以千万不要用行和列的思维去想axis，因为行和列是没有方向的，这样想会在遇到不同的例子时感到困惑。根据官方的说法，1表示横轴，方向从左到右；0表示纵轴，方向从上到下。当axis=1时，数组的变化是横向的，而体现出来的是列的增加或者减少。其实axis的重点在于方向，而不是行和列。具体到各种用法而言也是如此。当a
2021-08-06 17:07:22
1391
原创 Matplotlib如何绘制多个子图的几种方法
fig和axis的区别？相信不少小伙伴一开始都是直接用plt.plot来绘图，非常简单，但这是偷懒的做法，不建议大家这样。fig, ax = plt.subplots(2,2)是比较正统的画法（参数代表行列数），指定figure和axes，然后对axes单独进行操作（图表元素增加和修改）。fig相当于是一个大的画布，ax相当于是小的子图，一个画布可以有一个或多个子图。单个图表任何操作都是在axes对象上进行的，包括坐标轴、刻度、图例等。具体怎么用，下面讲到。绘制多子图使用Ma.
2021-08-06 16:34:25
1513
原创 客户价值分析(聚类)
运营好客户，首先要对客户价值进行分析，找出哪些是重要保持客户、哪些是发展客户、哪些是潜在客户，按客户价值分类，从而根据不同类别客户进行分类差别化、一对一等多样化、个性化的营销模式，使企业利润最大化。例如，某淘宝店铺客户多，消费行为复杂，客户价值很难人工评估出来。这就需要我们使用科学的分析方法——RFM模型（客户价值分析方法）结合Python建立合理的客户价值评估模型来分析客户价值，并按客户价值高低进行分类，从而实现快速定位客户。当然也要清醒地认识到，即便是预测的客户价值较高，也只能说明其购买潜力较高，等
2021-08-06 16:17:00
2691
原创 对timedelta64的理解
NumPy 允许对两个 Datetime 值进行相减，该操作会产生一个带有时间单位的数字。由于 NumPy 在其核心中没有物理量系统，因此创建了timedelta64数据类型来补充 datetime64。timedelta64 的参数是一个数字，表示单位数和日期/时间单位，例如 (D)ay、(M)onth、(Y)ear、(h)ours、(m)inutes 或(s) 秒。timedelta64 数据类型还接受字符串“NAT”代替“Not A Time”值的数字。例子：Datetimes 和 .
2021-08-05 16:17:22
2629
原创 知识点线面1
1.整个数据分析流程，大致分为明确分析目标、获取相关数据、数据处理、数据建模、产出结论（数据分析报告）这几步。2.数据异常找原因，先找自身原因就是数据是不是确定是正确的或者说整个数据处理流程有无错误或者需要优化的大bug，其次再向外部找原因：产品功能是否有大的更新、业务逻辑是否有大的改变，如果是网站数据，还要考虑一些不常见的比如业务或者广告方出于利益而作弊刷量等……...
2021-08-05 10:46:42
79
原创 《数据分析师养成宝典》
数据分析师养成宝典程显毅 曲平 李牧50个笔记0.2 数据分析趋势是指市场运动的方向，有三个方向：上升方向、下降方向和水平方向。趋势的类型（规模）分为：主要趋势（一年以上）；次要趋势（三个星期到数月）；短暂趋势（两三个星期）。0.4 数据分析过程在实际工作中，业务问题定义永远都是模糊笼统的，如什么样的推荐者能够带来高（或者低）价值客户?但是，指标却是具体的。怎样把一个抽象的目标具体化?谁来起到桥梁的作用?那就是指标设计。好的指标设计能够把抽象目标具体化，而且具有直接的管理实践含义。指标设计，
2021-08-03 17:42:04
746
原创 电商大数据应用之用户画像
用户画像（UserProfile）也叫用户信息标签化、客户标签；从电商的角度看，根据你在电商网站上所填的信息和你的行为，可以用一些标签把你描绘出来，描述你的标签就是用户画像。构建用户画像技术：1、用户画像：基本属性、购买能力、行为特征、社交网络、心理特征、兴趣爱好；2、行为建模：文本挖掘、自然语言处理、机器学习、预测算法、聚类算法；3、数据收集：网络日志数据、用户行为数据、网站交易数据；用户画像简介：静态信息数据：1、来源于用户填的个人资料，或者由此算出的数据；2.
2021-08-02 09:30:09
760
原创 看《21天学通SQL SERVER》练习代码1
SELECT TOP 100 *FROM lianxi.dbo.zldfWHERE 分类='ershoufang'ORDER BY 发送消息时间 DESCSELECT DISTINCT riqi,平台,分类FROM lianxi.dbo.zldfORDER BY riqi DESC,平台 DESC,分类 DESC--检索不同的值SELECT DISTINCT 分类FROM lianxi.dbo.zldfSELECT TOP 10 *FROM lianxi.dbo.zl.
2021-07-28 14:56:04
119
原创 特征工程之数据预处理-数据标准化
数据标准化（也称为数据归一化），它的主要目的是消除不同特征变量量纲级别相差太大造成的不利影响。对于以特征距离为算法基础的机器学习算法（如K近邻算法），数据标准化尤为重要。数据标准化的两种方法——min-max标准化及Z-score标准化。#(1)min-max标准化min-max标准化（Min-Max Normalization）也称离差标准化，它利用原始数据的最大值和最小值把原始数据转换到[0，1]区间内，转换公式如下：import pandas as pdx=pd.DataFra
2021-07-21 15:32:25
581
原创 特征工程之数据预处理-重复值缺失值及异常值处理
#重复值处理import pandas as pddata=pd.DataFrame([[1,2,3],[1,2,3],[4,5,6]],columns=['c1','c2','c3'])data.head()data[data.duplicated(keep='last')]#可以用duplicated()函数来查询重复的内容data.duplicated().sum()#统计重复行的数量，可以用sum()函数data=data.drop_duplicates()#用drop_duplica.
2021-07-20 17:45:32
646
原创 特征工程之数据预处理-非数值类型数据处理
'''在实际工作中获取到的数据往往不那么理想，可能会存在非数值类型的文本数据、重复值、缺失值、异常值及数据分布不均衡等问题，因此，在进行数学建模前还需要对这些问题进行处理，这项工作称为特征工程。特征工程通常分为特征使用方案、特征获取方案、特征处理、特征监控几大部分，其中特征处理是特征工程的核心内容，有时称为数据预处理。'''#非数值类型数据处理'''机器学习建模时处理的都是数值类型的数据，然而实际工作中获取的数据往往会包含非数值类型的数据，其中最常见的就是文本类型的数据，例如，性别中的“男”和“女
2021-07-19 17:25:42
2571
原创 GBDT算法模型
GBDT算法的核心思想：GBDT是Gradient Boosting Decision Tree（梯度提升树）的缩写。GBDT算法也是一种非常实用的Boosting算法，它与AdaBoost算法的区别在于：AdaBoost算法根据分类效果调整权重并不断迭代，最终生成强学习器；GBDT算法则将损失函数的负梯度作为残差的近似值，不断使用残差迭代和拟合回归树，最终生成强学习器。简单来说，AdaBoost算法是调整权重，而GBDT算法则是拟合残差。GBDT算法的简单代码实现：GBDT算法既能做分类分
2021-07-17 17:10:09
788
原创 AdaBoost算法模型
AdaBoost模型和GBDT模型则是Boosting算法的典型代表。AdaBoost算法的核心思想:AdaBoost算法（Adaptive Boosting）是一种有效而实用的Boosting算法，它以一种高度自适应的方式按顺序训练弱学习器。针对分类问题，AdaBoost算法根据前一次的分类效果调整数据的权重，在上一个弱学习器中分类错误的样本的权重会在下一个弱学习器中增加，分类正确的样本的权重则相应减少，并且在每一轮迭代时会向模型加入一个新的弱学习器。不断重复调整权重和训练弱学习器，直到误分类
2021-07-17 16:30:03
280
原创 随机森林模型
集成学习采用的其实就是这一思想：将多个模型组合在一起，从而产生更强大的模型。集成学习模型使用一系列弱学习器（也称为基础模型或基模型）进行学习，并将各个弱学习器的结果进行整合，从而获得比单个学习器更好的学习效果。集成学习模型的常见算法有Bagging算法和Boosting算法两种。Bagging算法的典型机器学习模型为本章要讲的随机森林模型，而Boosting算法的典型机器学习模型则为第9章和第10章会讲到的AdaBoost、GBDT、XGBoost和LightGBM模型。1．Bagging算法Bag
2021-07-17 13:37:50
849
原创 k近邻算法
'''当有多种类别数据时，我们常常面临着对新加入的数据进行分类的问题，例如，根据口味和色泽划分新的葡萄酒的类别，根据内容形式划分新上映电影的类别，根据过往人脸特征进行人脸识别等。这些问题都可以采用机器学习中非常经典的K近邻算法来解决。''''''K近邻算法的原理非常简单：对于一个新样本，K近邻算法的目的就是在已有数据中寻找与它最相似的K个数据，或者说“离它最近”的K个数据，如果这K个数据大多数属于某个类别，则该样本也属于这个类别。'''''' k近邻算法分类模型的代码实现 '''#读取原始数
2021-07-16 17:43:09
203
原创 朴素贝叶斯模型
贝叶斯分类是机器学习中应用极为广泛的分类算法之一，其产生自英国数学家贝叶斯对于逆概问题的思考。朴素贝叶斯是贝叶斯模型当中最简单的一种，其算法核心为如下所示的贝叶斯公式。方便记忆的转换形式： pAB/pBA=pA/pB其中P（A）为事件A发生的概率，P（B）为事件B发生的概率，P（A|B）表示在事件B发生的条件下事件A发生的概率，同理P（B|A）则表示在事件A发生的条件下事件B发生的概率。'''朴素贝叶斯模型的简单代码实现 '''from sklearn.naive_baye..
2021-07-15 16:05:32
503
原创 决策树模型
决策树模型是机器学习的各种算法模型中比较好理解的一种模型，它的基本原理是通过对一系列问题进行if/else的推导，最终实现相关决策。下图所示为一个典型的决策树模型——员工离职预测模型的简单演示。该决策树首先判断员工满意度是否小于5，若答案为“是”，则认为该员工会离职，若答案为“否”，则接着判断该员工收入是否小于10000元，若答案为“是”，则认为该员工会离职，若答案为“否”，则认为该员工不会离职。下面解释决策树模型的几个重要概念：父节点和子节点、根节点和叶子节点。父节点和子节点是相对的，子节点由
2021-07-14 17:12:13
1051
原创 逻辑回归模型
逻辑回归模型的算法原理：分类模型与回归模型的区别在于其预测的变量不是连续的，而是离散的一些类别，例如，最常见的二分类模型可以预测一个人是否会违约、客户是否会流失、肿瘤是良性还是恶性等。逻辑回归模型虽然名字中有“回归”二字，但其在本质上却是分类模型。既然逻辑回归模型是分类模型，为什么名字里会含有“回归”二字呢？这是因为其算法原理同样涉及线性回归模型中的线性回归方程。上面这个方程是用于预测连续变量的，其取值范围为（-∞，＋∞），而逻辑回归模型是用于预测类别的，例如，用逻辑回归模型预测某物品是属.
2021-07-13 07:49:38
172
原创 多元线性回归
多元线性回归的原理和一元线性回归的原理在本质上是一样的，不过因为多元线性回归可以考虑到多个因素对目标变量的影响，所以在商业实战中应用更为广泛。利用多元线性回归可以构建更加丰富和实用的模型，例如，根据工龄、地域、行业等因素来预测薪水，根据房屋大小、所处位置、是否靠近地铁等因素来预测房价等。案例实战：客户价值预测模型利用多元线性回归模型可以根据多个因素来预测客户价值，当模型搭建完成后，便可对不同价值的客户采用不同的业务策略。这里以信用卡客户的客户价值为例来解释客户价值预测的具体含义：客户价值
2021-07-12 14:38:39
398
原创 一元线性回归3----一元多次线性回归
一元线性回归模型其实还有一个进阶版本——一元多次线性回归模型，比较常见的是一元二次线性回归模型，其形式可以表示为如下所示的公式：y＝ax2＋bx＋c之所以还需要研究一元多次线性回归模型，是因为有时真正契合的趋势线可能不是一条直线，而是一条曲线。如下图所示，根据一元二次线性回归模型绘制的曲线更契合散点图呈现的数据变化趋势。那么如何在Python中搭建一个一元二次线性回归模型呢？首先，通过如下代码生成二次项数据。from sklearn.preprocessing import Poly.
2021-07-12 12:04:08
2973
原创 一元线性回归2
通过Python的Scikit-Learn库可以轻松搭建一元线性回归模型。#1.绘制散点图:import matplotlib.pyplot as pltx=[[1],[2],[4],[5]]y=[2,4,6,8]plt.scatter(x,y)plt.show()#2.引入Scikit-Learn库搭建模型from sklearn.linear_model import LinearRegressionregr=LinearRegression()regr.fit.
2021-07-11 12:23:16
109
原创 一元线性回归1
线性回归模型是利用线性拟合的方式探寻数据背后的规律。如下图所示，先通过搭建线性回归模型寻找这些散点（也称样本点）背后的趋势线（也称回归曲线），再利用回归曲线进行一些简单的预测分析或因果关系分析。在线性回归中，我们根据特征变量（也称自变量）来预测反应变量（也称因变量）。根据特征变量的个数可将线性回归模型分为一元线性回归和多元线性回归。例如，通过“工龄”这一个特征变量来预测“薪水”，就属于一元线性回归；而通过“工龄”“行业”“所在城市”等多个特征变量来预测“薪水”，就属于多元线性回归。一元线性.
2021-07-11 12:11:25
291
原创 pandas数据的map、apply、applymap函数
在数据分析时，常常会对数据进行较复杂的数据运算，这时需要定义函数。定义好的函数可以应用到pandas数据中，其中有三种方法：map函数，将函数套用在Series的每个元素中；apply函数，将函数套用到DataFrame的行与列上；applymap函数，将函数套用到DataFrame的每个元素上。如图3.48所示，需要把price列的“元”字去掉，这时就需要用到map函数，使用方法如图3.49所示。apply函数的使用方法如图3.50所示。注意：lambda为匿名函数，...
2021-07-10 10:07:36
189
原创 数组的存取
数组的存储：import numpy as nparr1=np.arange(9).reshape(3,3)np.savetxt(r'C:\Users\lele\Desktop\arr.csv',arr1,fmt='%d',delimiter=',')数组的读取：arr3=np.loadtxt(r'C:\Users\lele\Desktop\arr.csv',dtype=np.int,delimiter=',')arr3Out[64]: array([[0, 1, 2],
2021-07-10 09:55:57
294
原创 分类模型常用评价指标2
KS指标是征信行业中常用的模型评估指标，主要用于衡量风险模型好坏样本的区分能力。KS值是好坏样本累计部分之间的差值，好坏样本累计差异越大，KS指标越大。KS曲线和ROC曲线的绘制方法十分相似，将阈值作为横轴，将FPR和TPR都作为纵轴，同时将TPR和FPR的差值也作为纵轴，那么我们就可以得到KS曲线，而KS值是TPR和FPR的差值的最大值，其计算公式为：KS=Max(TPR-FPR)KS的取值范围是[0,1]。通常来说，KS值越大，表明模型能够越好地将好坏样本区分开来。计算步骤如下。...
2021-07-04 12:14:26
610
原创 分类模型常用评价指标1
在分类模型中，常用的评价指标包括混淆矩阵、ROC曲线、AUC、KS指标、提升度等。其中针对正负样本极度不平衡的分类问题，例如广告分类预测问题，最常用的模型评价指标就是AUC。混淆矩阵是分类问题中常用的模型评价方法之一。以广告二分类问题为例，假设模型预测为正例则记为1（Positive），如点击用户；预测为反例则记为0（Negative），如非点击用户，那么我们可以将实际的数据情况与模型预测结果相结合，得到以下2×2矩阵，也就是我们常说的混淆矩阵，如图4-2所示。其中，各参数说明如下：·T
2021-07-04 12:10:02
1621
原创 回归模型常用评价指标
在数据分析和数据建模过程中，我们需要对模型的泛化能力进行评价。面对不同的应用选择合适的评价指标，这样才能选出更合适的模型算法和具体参数。在实际建模任务中需要解决的两种问题：回归问题和分类问题。回归问题是指我们要预测的目标变量是连续的，比如房价预测、温度预测、点击率预测等；而分类问题是指我们要预测的目标变量是非连续的，比如动物的分类、花的种类、是不是坏客户等。分类问题还可以进一步细分为二分类问题和多分类问题，一般分类数超过两个的都属于多分类问题。回归模型常用评价指标：在回归建模中，常用的评
2021-07-04 10:45:11
3755
原创 分析方法11---漏斗分析方法
从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。漏斗分析方法有什么用？漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。经过各个业务环节转化下来的用户，会产生更大的价值。因为这部分用户更加忠诚，更认可业务的流程。随着转化用户的不断增加，留存用户的规模也在不断增大，产品的盈利规模也会随之增加。流失
2021-07-03 15:25:01
1070
原创 分析方法10---AARRR模型分析方法
AARRR模型对应产品运营的5个重要环节（图2-141），分别是：（1）获取用户（Acquisition）：用户如何找到我们？（2）激活用户（Activation）：用户的首次体验如何？（3）提高留存（Retention）：用户会回来吗？（4）增加收入（Revenue）：如何赚到更多钱？（5）推荐（Referral）：用户会告诉其他人吗？如果把产品看作一个鱼塘，使用产品的用户看作鱼塘里的鱼，AARRR模型的5个环节可以描述如下（图2-142）：（1）获取用户：想办法给鱼塘里添加新的鱼，从而扩大鱼
2021-07-03 15:15:56
637
原创 分析方法９---RFM分析方法
例如店铺某个月收入大幅下跌，通过分析，发现原来店铺几个重要的用户被竞争对手挖走了，而这几个用户贡献了店铺80%的收入。出现这个问题，是因为该店铺没有对用户分类，对全部用户采取的都是一样的运营决策。怎么对用户分类，识别出有价值的用户呢？这时候就可以用RFM分析方法把用户分为8类，对不同价值的用户使用不同的运营决策，把公司有限的资源发挥到最大的效果，这就是我们常常听到的精细化运营（表2-15）。例如第1类是重要价值用户，这类用户最近一次消费时间较近，消费频率也高，消费金额也高，要提供VIP服务。总结下前面的
2021-07-03 14:56:09
646
原创 分析方法８---群组分析方法
“群组分析方法”（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。这个分析方法在我们生活中经常可见，例如，在学校上体育课的时候，体育老师考虑到男生和女生的运动项目不一样，会把男生分为一组打篮球，女生分为一组跳绳。这其实是按性别对学生进行了分组（图2-113）。2.8.2 群组分析方法有什么用？产品会随着时间发布新的版本，产品改版的效果如何？版本更新后用户是增长了，还是流失了？像这类问题，就需要将用户按时间分组，然后比较不同组的用户留存率。所以
2021-07-03 14:51:56
1293
原创 分析方法7---相关分析方法
有时候我们研究的问题只有一种数据，例如人的身高；但是，还有另外一些问题需要研究多种数据，例如身高和体重之间的关系（图2-86）。当我们研究两种或者两种以上的数据之间有什么关系的时候，就要用到相关分析。如果两种数据之间有关系，叫作有相关关系；如果两种数据之间没有关系，叫作没有相关关系。相关分析的作用有以下三点：（1）在研究两种或者两种以上数据之间有什么关系，或者某个事情受到其他因素影响的问题时，可以使用相关分析（图2-88）。（2）在解决问题的过程中，相关分析可以帮助我们扩大思路，将视野从一种数据
2021-07-03 14:27:30
394
原创 分析方法６---假设检验分析方法
假设检验分析方法底层思想其实很简单，就是逻辑推理。这个逻辑推理，在我们生活中无处不在。如果你看过《神探狄仁杰》《白夜追凶》《唐人街探案》这些破案片，就会发现，剧中的破案高手都有一个破案套路，那就是先假设嫌疑人无罪，然后找证据，如果有足够的证据来证明，最后才宣判嫌疑人有罪。同样在现实中，法官在审理案件的过程中，也首先会假设被告方无罪，而指控方的工作就是搜集证据来说服法官或陪审团，最后得出罪犯有罪的结论。假设检验分析方法分为3步：2.6.2 假设检验分析方法有什么用？由于假设检验分析方法背后
2021-07-03 14:16:03
1712
原创 分析方法5---对比分析
在数据分析中，我们通过对比分析方法，来追踪业务是否有问题。例如，我的公众号日活跃率是4%，你说是高还是低？这个日活跃率有问题吗？这时候，就需要用对比分析方法来追踪业务是不是有问题。正所谓，没有对比就没有好坏。我们再来看一个对比分析方法在生活中应用的案例。为了讨好女友，我准备给她买件衣服，在商场看中一件衣服要299元。我心里想，299元是不是有点小贵。店主过来指着另一件衣服说：“你看这件衣服，只要899元！”我一比较，顿时觉得299元这件衣服挺实惠的。发现没有？899元的那件衣服根本就不是拿来卖的，而是用
2021-07-03 13:44:34
293
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人