2019-02-03

R4DS

2019,2,2

library(tidyverse)library(nycflights13)library(forcats)library(lubridate)library(modelr)

前言

（1）导入R(readr)

实际上就是读取保存文件、数据库或web Api中的数据，再加载到R的数据框中。

（2）整理（tibble）

就是将数据保存为一致的形式，以满足其所在数据集在语义上的要求。简而言之，如果数据是整洁的，那么每列都是一个变量，每行都是一个观测值。

（3）转换（dplyr）

包括选取感兴趣的观测（如居住在某个城市里的所有人，或者去年的所有数据）、使用现有变量创建新变量、以及计算一些摘要统计量（如均值或计数）数据整理和数据转化统称为数据处理。

（4）可视化

本质上是人类活动。对数据提出新的问题。 ###（5）模型如果将问题定义得足够清晰，那么你就可以使用一个模型来回答问题。模型本质上是一种数学工具或计算工具。每个模型都有前提假设，而且模型本身不会对自己的前提假设提出疑问。

（6）沟通

（7）编程

假设验证

数据分析可以分为两类：假设生成和假设验证（有时成为验证性分析）。无需掩饰，本书的重点就在于假设生成，或者说是数据探索。经常有人认为建模是用来进行假设验证的工具，而可视化是用来进行假设生成的工具。这种简单的二分法是错误的：模型经常用于数据探索；只需稍作处理，可视化也可以用来进行假设验证。核心区别在于你使用每个观测的频率：如果只用一次，那么就是假设验证；如果多于一次，那么就是数据探索。

第一部分探索

第一章使用ggplot2进行数据可视化

画图函数：

geom_point() 散点图

facet_wrap() 单个变量分面

facet_grid() 多个变量分面

geom_smooth()直线图

geom_bar()条形图

geom_boxplot()箱线图

coord_flip()交换x轴和y轴

coord_polar()设置极坐标

图形属性：

color=class在mpg数据集中按照class进行描绘颜色

alpha=class

shape

linetype线段形状

se=FALSE平滑曲线上下无条状带

..prop..百分比

fill填充色

mpg数据框

mpg

## # A

tibble: 234 x 11## manufacturer model displ year cyl trans drv cty hwy fl class## ## 1 audi a4 1.8 1999 4 auto~ f 18 29 p comp~## 2 audi a4 1.8 1999 4 manu~ f 21 29 p comp~## 3 audi a4 2 2008 4 manu~ f 20 31 p comp~## 4 audi a4 2 2008 4 auto~ f 21 30 p comp~## 5 audi a4 2.8 1999 6 auto~ f 16 26 p comp~## 6 audi a4 2.8 1999 6 manu~ f 18 26 p comp~## 7 audi a4 3.1 2008 6 auto~ f 18 27 p comp~## 8 audi a4 q~ 1.8 1999 4 manu~ 4 18 26 p comp~## 9 audi a4 q~ 1.8 1999 4 auto~ 4 16 25 p comp~## 10audi a4 q~ 2 2008 4 manu~ 4 20 28 p comp~## # ...

with 224 more rows

displ:引擎大小，单位为升。

hwy：汽车在高速公路上行驶时的燃油效率，单位为英里/加仑。

创建ggplot图形

绘制mpg的图形，运行一下代码将displ放在x轴，hwy放在y轴。

ggplot(data=mpg)+ geom_point(mapping=aes(x=displ,y=hwy))

[if !vml]

[endif]

绘图模板

ggplot（data=）+ (mapping=aes())

图形属性映射

图形属性是图中对象的可视化属性，其中包括数据点的大小、形状和颜色。

（1）颜色映射为class

ggplot(data=mpg)+ geom_point(mapping=aes(x=displ,y=hwy,color=class))

[if !vml]

[endif]

分面

ggplot(data=mpg)+ geom_point(mapping=aes(x=displ,y=hwy))+ facet_wrap(~class,nrow=2)

[if !vml]

[endif]

ggplot(data=mpg)+ geom_smooth(mapping=aes(x=displ,y=hwy))

`geom_smooth()` using method = 'loess' and formula 'y ~ x'

[if !vml]

[endif]

叠块色

这种堆叠是由position参数设定的位置调整自动完成。如果不想生成堆叠式条形图，还可以使用一下3项之一：

position=identity

ggplot( data=diamonds, mapping=aes(x=cut,fill=clarity))+ geom_bar(alpha=1/5,position="identity")

[if !vml]

[endif]

ggplot( data=diamonds, mapping=aes(x=cut,color=clarity))+ geom_bar(fill=NA,position="identity")

[if !vml]

[endif]

position=“fill”的效果与堆叠相似，但每组堆叠条形具有同样高度，因此这种条形图可以非常轻松地比较各组间的比例：

ggplot(data=diamonds)+ geom_bar( mapping=aes(x=cut,fill=clarity), position="fill" )

[if !vml]

[endif]

position=“dodge”将每组的条形依次并列放置

ggplot(data=diamonds)+ geom_bar( mapping=aes(x=cut,fill=clarity), position="dodge" )

[if !vml]

[endif]

有些点会聚在一起，此时需要一个抖动，可以避免网格化排列。

ggplot(data=mpg)+ geom_point( mapping=aes(x=displ,y=hwy), position="jitter" )

[if !vml]

[endif]

极坐标coord_polar()

bar <- ggplot(data=diamonds)+ geom_bar( mapping=aes(x=cut,fill=cut), show.legend=FALSE, width=1 )+ theme(aspect.ratio=1)+ labs(x=NULL,y=NULL)bar+coord_flip()

[if !vml]

[endif]

bar+coord_flip()

[if !vml]

[endif]

图形分层语法

ggplot(data=)+

(

mapping=aes(), stat=, position=

你可以将任何图形精确第描述为数据集、几何对象、映射集合、统计变换、位置调整、坐标系和分面模式的一个组合

第二章工作流：基础

函数

function_name(arg1=val1,arg2=val2,…)

seq()函数，可以生成规则的数值排列

x%in%y 选取出x是y中一个值时的所有行

is.na()判断是否为缺失值

year:day选择在year到day中的所有列

-（year：day）选择不在year到day之间的所有列（不包括“year”和“day”）

starts_with(“abc”):匹配以“abc”开头的名称。

ends_with(“xyz”)匹配以xyz结尾的名称

cotains（“ijk”）匹配包含ijk的名称

matches（“（.）\1”）选择匹配正则表达式的那些变量。这个正则表达式会匹配名称中有重复字符的变量。

num_range(“x”,1:3)匹配x1，x2和x3

na.rm=TRUE为除去缺失值（sum（AB，na.rm=TRUE））

常用摘要函数 mean（x）求x平均

median（x）求x的中位数

sd(x)均方误差（又称标准误差，standard

deviation，sd）是分散程度的标准度量方式。

IQR（x）四分位距

mad（x）绝对中位差

秩的度量

min（x）

quantile（x，0.25）找出x中按从小到大顺序大于前25%而小于75%的值

max（x）

first（x）=x[1]

nth(x,2)=x[2]

last(x)=x[length(x)]

sum(!is.na(x))计算非缺失值的数量

n_distinct（x）计算出唯一值的数量

wt=distance按照distance进行加权赋值

快捷键

ALT+-：代码的快速输入

tab：选定需要的函数后再按一次Tab键，Rstudio可以自动添加括号（）

ctrl+shift创建脚本

ctrl+enter运行该段代码

变量类型

int整型

dbl双精度浮点数型变量，或称实数

chr表示字符向量，或称字符串

dttm表示日期时间（日期+时间）型变量

lgl逻辑型

fctr表示因子，R是用来表示具有固定数目的值的分类变量

date表示日期型变量

运算符

向量化，使用所谓的“循环法则”

%/%整数除法

%%求余

log（）、log2（）、log10（）

lead（）和lag()函数可以返回一个序列的领先值和滞后值

dplyr基础

5个dplyr核心函数

filter（）按值筛选观测（选择行，有逻辑表达式在后面）

arrange（）对行进行重新排序

mutate（）使用现有变量的函数创建新变量

summarize（）将多个值总结为一个摘要统计量

select（）选择列

cumsum（）累加和

cumprod（）累加积

commin（）累加最小值

cummax（）累加最大值

cummean（）累加均值

filter（）筛选行

filter(flights,month==1,day==1)

## # A

tibble: 842 x 19## year month day dep_time sched_dep_time dep_delayarr_time## ## 1 2013 1 1 517 515 2 830## 2 2013 1 1 533 529 4 850## 3 2013 1 1 542 540 2 923## 4 2013 1 1 544 545 -1 1004## 5 2013 1 1 554 600 -6 812## 6 2013 1 1 554 558 -4 740## 7 2013 1 1 555 600 -5 913## 8 2013 1 1 557 600 -3 709## 9 2013 1 1 557 600 -3 838## 10 2013 1 1 558 600 -2 753## # ...

with 832 more rows, and 12 more variables: sched_arr_time <int>,## # arr_delay , carrier ,flight , tailnum ,## # origin , dest ,air_time , distance , hour ,## # minute , time_hour

%in%

(nov_dec

<- filter(flights,month%in%c(11,12)))

## # A

tibble: 55,403 x 19## year month day dep_time sched_dep_time dep_delayarr_time## ## 1 2013 11 1 5 2359 6 352## 2 2013 11 1 35 2250 105 123## 3 2013 11 1 455 500 -5 641## 4 2013 11 1 539 545 -6 856## 5 2013 11 1 542 545 -3 831## 6 2013 11 1 549 600 -11 912## 7 2013 11 1 550 600 -10 705## 8 2013 11 1 554 600 -6 659## 9 2013 11 1 554 600 -6 826## 10 2013 11 1 554 600 -6 749## # ...

with 55,393 more rows, and 12 more variables: sched_arr_time <int>,## # arr_delay , carrier ,flight , tailnum ,## # origin , dest ,air_time , distance , hour ,## # minute , time_hour

filter()只能筛选出条件为TRUE的行；他会排除那些条件为FALSE和NA的行。

df <- tibble(x=c(1,NA,3))filter(df,x>1)

## # A

tibble: 1 x 1## x## ## 1 3

filter(df,is.na(x)|x>1)

## # A

tibble: 2 x 1## x## ## 1 NA## 2 3

arrange()排列行

arrange(flights,year,month,day)

## # A

tibble: 336,776 x 19## year month day dep_time sched_dep_time dep_delayarr_time## ## 1 2013 1 1 517 515 2 830## 2 2013 1 1 533 529 4 850## 3 2013 1 1 542 540 2 923## 4 2013 1 1 544 545 -1 1004## 5 2013 1 1 554 600 -6 812## 6 2013 1 1 554 558 -4 740## 7 2013 1 1 555 600 -5 913## 8 2013 1 1 557 600 -3 709## 9 2013 1 1 557 600 -3 838## 10 2013 1 1 558 600 -2 753## # ...

with 336,766 more rows, and 12 more variables: sched_arr_time <int>,## # arr_delay , carrier ,flight , tailnum ,## # origin , dest ,air_time , distance , hour ,## # minute , time_hour

注意： filter是默认升序排列

使用desc（）可以按列进行降序排序：

arrange(flights,desc(arr_delay))

## # A

tibble: 336,776 x 19## year month day dep_time sched_dep_time dep_delayarr_time## ## 1 2013 1 9 641 900 1301 1242## 2 2013 6 15 1432 1935 1137 1607## 3 2013 1 10 1121 1635 1126 1239## 4 2013 9 20 1139 1845 1014 1457## 5 2013 7 22 845 1600 1005 1044## 6 2013 4 10 1100 1900 960 1342## 7 2013 3 17 2321 810 911 135## 8 2013 7 22 2257 759 898 121## 9 2013 12 5 756 1700 896 1058## 10 2013 5 3 1133 2055 878 1250## # ...

with 336,766 more rows, and 12 more variables: sched_arr_time <int>,## # arr_delay , carrier ,flight , tailnum ,## # origin , dest ,air_time , distance , hour ,## # minute , time_hour

缺失值总是排在最后

df <- tibble(x=c(5,2,NA))arrange(df,x)

## # A

tibble: 3 x 1## x## ## 1 2## 2 5## 3 NA

arrange(df,desc(x))

## # A

tibble: 3 x 1## x## ## 1 5## 2 2## 3 NA

使用select（）选择列

select(flights,year,month,day)

## # A

tibble: 336,776 x 3## year month day## ## 1 2013 1 1## 2 2013 1 1## 3 2013 1 1## 4 2013 1 1## 5 2013 1 1## 6 2013 1 1## 7 2013 1 1## 8 2013 1 1## 9 2013 1 1## 10 2013 1 1## # ...

with 336,766 more rows

select(flights,year:day)

## # A

tibble: 336,776 x 3## year month day## ## 1 2013 1 1## 2 2013 1 1## 3 2013 1 1## 4 2013 1 1## 5 2013 1 1## 6 2013 1 1## 7 2013 1 1## 8 2013 1 1## 9 2013 1 1## 10 2013 1 1## # ...

with 336,766 more rows

选择不再year到day之间的所有列（不包括year和day）

select(flights,-(year:day))

## # A

tibble: 336,776 x 16## dep_time sched_dep_time dep_delay arr_timesched_arr_time arr_delay## ## 1 517 515 2 830 819 11## 2 533 529 4 850 830 20## 3 542 540 2 923 850 33## 4 544 545 -1 1004 1022 -18## 5 554 600 -6 812 837 -25## 6 554 558 -4 740 728 12## 7 555 600 -5 913 854 19## 8 557 600 -3 709 723 -14## 9 557 600 -3 838 846 -8## 10 558 600 -2 753 745 8## # ...

with 336,766 more rows, and 10 more variables: carrier <chr>,## # flight , tailnum ,origin , dest , air_time ,## # distance , hour ,minute , time_hour

将几个变量移到数据框开头

select(flights,time_hour,air_time,everything())

## # A

tibble: 336,776 x 19## time_hour air_time year month day dep_time sched_dep_time## ## 1 2013-01-01 05:00:00 227 2013 1 1 517 515## 2 2013-01-01 05:00:00 227 2013 1 1 533 529## 3 2013-01-01 05:00:00 160 2013 1 1 542 540## 4 2013-01-01 05:00:00 183 2013 1 1 544 545## 5 2013-01-01 06:00:00 116 2013 1 1 554 600## 6 2013-01-01 05:00:00 150 2013 1 1 554 558## 7 2013-01-01 06:00:00 158 2013 1 1 555 600## 8 2013-01-01 06:00:00 53 2013 1 1 557 600## 9 2013-01-01 06:00:00 140 2013 1 1 557 600## 102013-01-01 06:00:00 138 2013 1 1 558 600## # ...

with 336,766 more rows, and 12 more variables: dep_delay <dbl>,## # arr_time , sched_arr_time, arr_delay , carrier ,## # flight , tailnum ,origin , dest , distance ,## # hour , minute

使用mutate（）添加新变量

flights_sml

<- select(flights, year:day, ends_with("delay"), distance, air_time )mutate(flights_sml, gain=arr_delay-dep_delay, speed=distance/air_time*60 )

## # A

tibble: 336,776 x 9## year month day dep_delay arr_delay distanceair_time gain speed## ## 1 2013 1 1 2 11 1400 227 9 370.## 2 2013 1 1 4 20 1416 227 16 374.## 3 2013 1 1 2 33 1089 160 31 408.## 4 2013 1 1 -1 -18 1576 183 -17 517.## 5 2013 1 1 -6 -25 762 116 -19 394.## 6 2013 1 1 -4 12 719 150 16 288.## 7 2013 1 1 -5 19 1065 158 24 404.## 8 2013 1 1 -3 -14 229 53 -11 259.## 9 2013 1 1 -3 -8 944 140 -5 405.## 10 2013 1 1 -2 8 733 138 10 319.## # ...

with 336,766 more rows

一旦创建，新列就可以立即使用：

mutate(flights_sml, gain=arr_delay-dep_delay, hours=air_time/60, gain_per_hour=gain/hours )

## # A

tibble: 336,776 x 10## year month day dep_delay arr_delay distanceair_time gain hours## ## 1 2013 1 1 2 11 1400 227 9 3.78## 2 2013 1 1 4 20 1416 227 16 3.78## 3 2013 1 1 2 33 1089 160 31 2.67## 4 2013 1 1 -1 -18 1576 183 -17 3.05## 5 2013 1 1 -6 -25 762 116 -19 1.93## 6 2013 1 1 -4 12 719 150 16 2.5 ## 7 2013 1 1 -5 19 1065 158 24 2.63## 8 2013 1 1 -3 -14 229 53 -11 0.883## 9 2013 1 1 -3 -8 944 140 -5 2.33## 10 2013 1 1 -2 8 733 138 10 2.3 ## # ...

with 336,766 more rows, and 1 more variable: gain_per_hour <dbl>

如果只想保留新变量，可以使用transmute（）函数

transmute(flights, gain=arr_delay-dep_delay, hours=air_time/60, gain_per_hour=gain/hours)

## # A

tibble: 336,776 x 3## gain hours gain_per_hour## ## 1 93.78 2.38## 2 163.78 4.23## 3 312.67 11.6## 4 -173.05 -5.57## 5 -191.93 -9.83## 6 162.5 6.4## 7 242.63 9.11## 8 -110.883 -12.5## 9 -52.33 -2.14## 10 10 2.3 4.35## # ...

with 336,766 more rows

lead（）和lag()函数可以返回一个序列的领先值和滞后值

(x <- 1:10)

## [1] 1 2 3 4 5 6 7 8 9 10

lag(x)

## [1] NA 1 2 3 4 5 6 7 8 9

lead(x)

## [1] 2 3 4 5 6 7 8 9 10NA

使用summarize（）进行分组摘要可以将数据框折叠成一行：

summarize(flights,delay=mean(dep_delay,na.rm=TRUE))

## # A

tibble: 1 x 1## delay## ## 1 12.6

group_by()可以将分析单位从整个数据集更改为单个分组。接下来，在分组后的数据框中使用dplyr函数时，会自动地应用到每个分组。

by_day = group_by(flights,year,month,day)summarize(by_day,delay=mean(dep_delay,na.rm=TRUE))

## # A

tibble: 365 x 4## #Groups: year, month [?]## year month day delay## ## 1 2013 1 1 11.5## 2 2013 1 2 13.9## 3 2013 1 3 11.0## 4 2013 1 4 8.95## 5 2013 1 5 5.73## 6 2013 1 6 7.15## 7 2013 1 7 5.42## 8 2013 1 8 2.55## 9 2013 1 9 2.28## 10 2013 1 10 2.84## # ...

with 355 more rows

管道%>%

%>%管道最好读作“然后”

x%>%f(y)会转换为f（x，y）

x%>%f(y)%>%g(z)会转换为g（f（x，y），z）

缺失值

flights%>% group_by(year,month,day)%>% summarize(mean=mean(dep_delay))

## # A

tibble: 365 x 4## #Groups: year, month [?]## year month day mean## ## 1 2013 1 1 NA## 2 2013 1 2 NA## 3 2013 1 3 NA## 4 2013 1 4 NA## 5 2013 1 5 NA## 6 2013 1 6 NA## 7 2013 1 7 NA## 8 2013 1 8 NA## 9 2013 1 9 NA## 10 2013 1 10 NA## # ...

with 355 more rows

这样会得到很多缺失值，这是因为聚合函数遵循缺失值的一般规则：如果输入中有确实值，那么输出也会是缺失值。

flights%>% group_by(year,month,day)%>% summarize(mean=mean(dep_delay,na.rm = TRUE))

## # A tibble:

365 x 4## #Groups: year, month [?]## year month day mean## ## 1 2013 1 1 11.5## 2 2013 1 2 13.9## 3 2013 1 3 11.0## 4 2013 1 4 8.95## 5 2013 1 5 5.73## 6 2013 1 6 7.15## 7 2013 1 7 5.42## 8 2013 1 8 2.55## 9 2013 1 9 2.28## 10 2013 1 10 2.84## # ...

with 355 more rows

缺失值表示取消的航班，我们也可以通过先去除取消的航班来解决缺失值问题。

not_cancelled

<- flights%>% filter(!is.na(dep_delay),!is.na(arr_delay))#关键一步not_cancelled%>% group_by(year,month,day)%>% summarize(mean=mean(dep_delay))

## # A

tibble: 365 x 4## #Groups: year, month [?]## year month day mean## ## 1 2013 1 1 11.4## 2 2013 1 2 13.7## 3 2013 1 3 10.9## 4 2013 1 4 8.97## 5 2013 1 5 5.73## 6 2013 1 6 7.15## 7 2013 1 7 5.42## 8 2013 1 8 2.56## 9 2013 1 9 2.30## 10 2013 1 10 2.84## # ...

with 355 more rows

位置度量

not_cancelled%>% group_by(year,month,day)%>% summarize( avg_delay1=mean(arr_delay), avg_delay2=mean(arr_delay[arr_delay>0])#[arr_delay>0]为arr_delay向量中变量中的arr_delay大于0的元素。 )

## # A

tibble: 365 x 5## #Groups: year, month [?]## year month day avg_delay1 avg_delay2## ## 1 2013 1 1 12.7 32.5## 2 2013 1 2 12.7 32.0## 3 2013 1 3 5.73 27.7## 4 2013 1 4 -1.93 28.3## 5 2013 1 5 -1.53 22.6## 6 2013 1 6 4.24 24.4## 7 2013 1 7 -4.95 27.8## 8 2013 1 8 -3.23 20.8## 9 2013 1 9 -0.264 25.6## 10 2013 1 10 -5.90 27.3## # ...

with 355 more rows

not_cancelled%>% count(tailnum,wt=distance)

## # A

tibble: 4,037 x 2## tailnum n## ## 1 D942DN 3418## 2 N0EGMQ 239143## 3 N10156 109664## 4 N102UW 25722## 5 N103US 24619## 6 N104UW 24616## 7 N10575 139903## 8 N105UW 23618## 9 N107US 21677## 10N108UW 32070## # ...

with 4,027 more rows

逻辑计数和比例

sum（x>10）

true=1，false=0

not_cancelled%>% group_by(year,month,day)%>% summarize(n_early=sum(dep_time<500))

## # A

tibble: 365 x 4## #Groups: year, month [?]## year month day n_early## ## 1 2013 1 1 0## 2 2013 1 2 3## 3 2013 1 3 4## 4 2013 1 4 3## 5 2013 1 5 3## 6 2013 1 6 2## 7 2013 1 7 2## 8 2013 1 8 1## 9 2013 1 9 3## 10 2013 1 10 3## # ...

with 355 more rows

第五章探索性数据分析

如何使用可视化和数据转换来系统化地探索数据，统计学家将这项任务称为探索性数据分析（EDA）。EDA是一个可迭代的循环过程。

EDA工具：可视化，数据转换和建模。

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 204,590评论 6赞 478
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 86,808评论 2赞 381
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 151,151评论 0赞 337
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 54,779评论 1赞 277
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 63,773评论 5赞 367
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 48,656评论 1赞 281
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 38,022评论 3赞 398
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 36,678评论 0赞 258
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 41,038评论 1赞 299
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 35,659评论 2赞 321
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 37,756评论 1赞 330
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 33,411评论 4赞 321
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 39,005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 29,973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 31,203评论 1赞 260
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 45,053评论 2赞 350
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 42,495评论 2赞 343

2019-02-03

推荐阅读更多精彩内容