利用python回顾统计学中的基础概念（全）

傷城~ 2023-07-10 14:14 5阅读 0赞

↑ 关注 + 星标 ~ 有趣的不像个技术号

每晚九点，我们准时相约  ![format_png][]

![format_png 1][]

大家好，我是黄同学

今天大家用python回顾统计学中的基础概念。

## 1、什么是描述性统计？ ##

描述性统计，就是从总体数据中提取变量的主要信息(总和、均值等)，从而从总体层面上，对数据进行统计性描述。

在统计的过程中，通常会配合绘制相关的统计图来进行辅助。

## 2、统计量 ##

描述性统计所提取的含有总体性值的信息，我们称为统计量。

1）常用统计量

* 频数与频率
       + 预数
       + 频率
    
    * 集中趋势分析
       + 均值
       + 中位数
       + 众数
       + 分位数
    
    * 离散程度分析
       + 极差
       + 方差
       + 标准差
    
    * 分布形状
       + 偏度
       + 峰度

2）变量的类型

* 类别变量
       + 无序类别变量
       + 有序类别变量
    
    * 数值变量
       + 连续变量
       + 离散型变量

3）本文章使用的相关python库

import numpy as np
    import pandas as pd
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    import seaborn as sns
    import warnings
    from sklearn.datasets import load_iris
    from scipy import stats
    
    sns.set(style="darkgrid")
    mpl.rcParams["font.family"] = "SimHei"
    mpl.rcParams["axes.unicode_minus"] = False
    warnings.filterwarnings("ignore")

## 3、频率与频数 ##

1）频率与频数的概念

数据的频数与频率适用于类别变量。

频数：指一组数据中类别变量的每个不同取值出现的次数。

频率：指每个类别变量的频数与总次数的比值，通常采用百分数表示。

2）代码：计算鸢尾花数据集中每个类别的频数和频率

iris = load_iris()
    # iris是一个类字典格式的数据，data、target、feature_names、target_names都是键
    display(iris.data[:5],iris.target[:5])
    # feature_names是每一列数据的特征名。target_names是鸢尾花的属种名
    display(iris.feature_names,iris.target_names)
    
    # reshape(-1,1)表示将原始数组变为1列，但是行数这里我写一个-1，表示系统
    # 会根据我指定的列数，自动去计算出行数。reshape(1,-1)含义同理
    dt = np.concatenate([iris.data,iris.target.reshape(-1,1)],axis=1)
    df = pd.DataFrame(dt,columns=iris.feature_names + ["types"])
    display(df.sample(5))
    
    # 计算鸢尾花数据集中每个类别出现的频数
    frequency = df["types"].value_counts()
    display(frequency)
    percentage = frequency / len(df)
    display(percentage)
    
    frequency.plot(kind="bar")

结果如下：

![format_png 2][]

## 4、集中趋势 ##

1）均值、中位数、众数概念

均值：即平均值，其为一组数据的总和除以数据的个数。

中位数：将一组数据升序排列，位于该组数据最中间位置的值，就是中位数。如果数据个数为偶数，则取中间两个数值的均值。

众数：一组数据中出现次数对多的值。

2）均值、中位数、众数三者的区别

”数值变量”通常使用均值与中值表示集中趋势。

“类别变量”通常使用众数表示集中趋势。

计算均值的时候，因此容易受到极端值的影响。中位数与众数的计算不受极端值的影响，因此会相对稳定。

众数在一组数据中可能不是唯一的。但是均值和中位数都是唯一的。

在正态分布下，三者是相同的。在偏态分布下，三者会所有不同。

3）不同分布下，均值、中位数、众数三者之间的关系

![format_png 3][]

记忆方法：哪边的尾巴长，就叫做 “X偏”。左边的尾巴长，就叫做“左偏”；右边的尾巴长，就叫做“右偏”。并且均值离着尾巴最近，中位数总是在最中间，众数离着尾巴最远。

4）代码：计算鸢尾花数据集中花萼长度的均值、中位数、众数

mean = df["sepal length (cm)"].mean()
    display(mean)
    
    median = df["sepal length (cm)"].median()
    display(median)
    # 由于series中没有专门计算众数的函数，因此需要我们统计频数最大的那些值
    s = df["sepal length (cm)"].value_counts()
    s = s[s.values == s.values[0]]
    s.index.tolist()
    t = s.index[0]
    t
    # scipy的stats模块中，可以计算众数
    from scipy import stats
    t = stats.mode(df["sepal length (cm)"])
    # 注意：t展示的类字典格式的数据类型，mode展示众数，count用于展示众数出现的次数
    display(t.mode,t.count)
    
    sns.distplot(df["sepal length (cm)"])
    
    plt.axvline(mean,ls="-",color="r",label="均值")
    plt.axvline(median,ls="-",color="g",label="中值")
    plt.axvline(t,ls="-",color="indigo",label="众数")
    plt.legend(loc="best")

结果如下：

![format_png 4][]

## 5、集中趋势：分位数 ##

1）分位数的概念

分位数：将数据从小到大排列，通过n-1个分位数将数据分为n个区间，使得每个区间的数值的个数相等(近似相等)。

以四分位数为例，通过3个分位数，将数据划分为4个区间。(十分位数含义相同)

第一个分位数成为1/4分位数(下四分位数)，数据中有1/4的数据小于该分位数。

第二个分位数成为2/4分位数(中四分位数，也叫中位数)，数据中有2/4的数据小于该分位数。

第三个分位数成为3/4分位数(下四分位数)，数据中有3/4的数据小于该分位数。

![format_png 5][]

2）怎么求分位数

给定一组数据(存放在数组中)，我们要如何计算其四分位值呢？首先要明确一点，四分位值未必一定等同于数组中的某个元素。

在Python中，四分位值的计算方式如下：

① 首先计算四分位的位置。

其中，位置index从1开始，n为数组中元素的个数。

② 根据位置计算四分位值。

如果index为整数(小数点后为0)，四分位的值就是数组中索引为index的元素(注意位置索引从1开始)。

如果index不是整数，则四分位位置介于ceil(index)与floor(index)之间，根据这两个位置的元素确定四分位值。

3）分位数是数组中的元素的情况

x = np.arange(10,19)
    n = len(x)
    # 计算每个分位数的位置，这个位置是从1开始的。但是数组元素索引从0开始的
    q1_index=1+(n-1)*0.25
    q2_index=1+(n-1)*0.5
    q3_index=1+(n-1)*0.75
    # 这里计算出来的数字是浮点类型，需要转化为小数，才能当作索引
    q1_index,q2_index,q3_index
    
    # 计算分位数
    index = np.array([q1_index,q2_index,q3_index]).astype(np.int32)
    index -= 1
    q = x[index]
    q

结果如下：

![format_png 6][]

绘制图形：

plt.figure(figsize=(15,4))
    plt.xticks(x)
    plt.plot(x,np.zeros(len(x)),ls="",marker="D",ms=15,label="元素值")
    plt.plot(x[index],np.zeros(len(index)),ls="",marker="X",ms=15,label="四分位值")
    plt.legend()

结果如下：

![format_png 7][]

4）分位数不是数组中的元素的情况

x = np.arange(10,20)
    n = len(x)
    # 计算每个分位数的位置，这个位置是从1开始的。但是数组元素索引从0开始的
    q1_index=1+(n-1)*0.25
    q2_index=1+(n-1)*0.5
    q3_index=1+(n-1)*0.75
    q1_index,q2_index,q3_index
    
    # 计算分位数
    index = np.array([q1_index,q2_index,q3_index])
    index
    left = np.floor(index).astype(np.int32)
    left
    right = np.ceil(index).astype(np.int32)
    right
    weight = np.modf(index)[0]
    weight
    q = x[left] + (x[right] - x[left]) *weight
    q

结果如下：

![format_png 8][]

绘制图形：

plt.figure(figsize=(15,4))
    plt.xticks(x)
    plt.plot(x,np.zeros(len(x)),ls="",marker="D",ms=15,label="元素值")
    plt.plot(q,np.zeros(len(q)),ls="",marker="X",ms=15,label="四分位值")
    plt.legend()
    for v in q:
        plt.text(v,0.01,v,fontsize=15)
    plt.legend()

结果如下：

![format_png 9][]

5）numpy中计算分位数的函数：quantile()

x = np.arange(10,19)
    np.quantile(x,[0.25,0.5,0.75])
    
    x = np.arange(10,20)
    np.quantile(x,[0.25,0.5,0.75])

结果如下：

![format_png 10][]

从结果中可以看到：上述我们自己计算的分位数结果，和使用该函数计算的分位数的结果，是一样的。

6）pandas中计算分位数的函数：describe()

x = pd.Series(np.arange(10,19))
    x.describe()
    
    x = pd.Series(np.arange(10,20))
    x.describe()

结果如下：

![format_png 11][]

注意：describe()中可以传入percentiles参数，获取指定分位数的值。

x = pd.Series(np.arange(10,19))
    x.describe(percentiles=[0.25,0.5,0.75,0.9])

结果如下：

![format_png 12][]

## 6、离散程度 ##

1）极差、方差、标准差的概念

![format_png 13][]

2）极差、方差、标准差的作用

极差的计算非常简单，但是极差没有充分的利用数据信息。

方差(标准差)可以体现数据的“分散性”，方差(标准差)越大，数据越分散，方差(标准差)越小，数据越集中。

方差(标准差)也可以体现数据的“波动性”(稳定性)。方差(标准差)越大，数据波动性越大。

方差(标准差)越小，数据波动性越小。

当数据较大时，也可以使用n代替n-1。

3）代码：计算鸢尾花数据集中花萼长度的极差、方差、标准差

iris = load_iris()
    dt = np.concatenate([iris.data,iris.target.reshape(-1,1)],axis=1)
    df = pd.DataFrame(dt,columns=iris.feature_names + ["types"])
    display(df.sample(5))
    
    sub = df["sepal length (cm)"].max()  - df["sepal length (cm)"].min()
    sub
    var = df["sepal length (cm)"].var()
    var
    std = df["sepal length (cm)"].std()
    std
    var == std ** 2

结果如下：

![format_png 14][]

绘制图形：

plt.figure(figsize=(15,4))
    plt.ylim(-0.5,1.5)
    plt.plot(df["sepal length (cm)"],np.zeros(len(df)),ls="",marker="o",ms=10,color="g",label="花瓣长度")
    plt.plot(df["sepal width (cm)"],np.ones(len(df)),ls="",marker="o",ms=10,color="b",label="花瓣宽度")
             
    plt.axvline(df["sepal length (cm)"].mean(),ls="--",color="g",label="花瓣长度均值")
    plt.axvline(df["sepal width (cm)"].mean(),ls="-",color="b",label="花瓣宽度均值")
    
    plt.legend()

结果如下：

![format_png 15][]

## 7、分布形状：偏度和峰度 ##

1）偏度

① 概念

偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。

如果数据对称分布(例如正态分布)，则偏度为0。

如果数据左偏分布，则偏度小于0，如果数据右偏分布，则偏度大于0。

![format_png 16][]

② 代码如下

t1 = np.random.randint(1,11,100)
    t2 = np.random.randint(11,21,500)
    t3 = np.concatenate([t1,t2])
    left_skew = pd.Series(t3)
    
    t1 = np.random.randint(1,11,500)
    t2 = np.random.randint(11,21,100)
    t3 = np.concatenate([t1,t2])
    right_skew = pd.Series(t3)
    
    display(left_skew.skew(),right_skew.skew())
    sns.kdeplot(left_skew,shade=True,label="左偏")
    sns.kdeplot(right_skew,shade=True,label="右偏")
    plt.legend()

结果如下：

![format_png 17][]

2）峰度

① 概念

峰度是描述总体中所有取值分布形态陡缓程度的统计量，可以讲峰度理解为数据分布的高矮程度，峰度的比较是相对于标准正态分布的。

对于标准正态分布，峰度为0。

如果峰度大于0，说明数据在分布上比标准正态分布密集，方差(标准差)较小。

如果峰度小于0，说明数据在分布上比标准正态分布分散，方差(标准差)较大。

② 代码如下

standard_normal = pd.Series(np.random.normal(0,1,10000))
    display("标准正态分布峰度",standard_normal.kurt(),"标准差：",standard_normal.std())
    display("花萼长度峰度",df["sepal length (cm)"].kurt(),"标准差：",df["sepal length (cm)"].std())
    display("花萼宽度峰度",df["sepal width (cm)"].kurt(),"标准差：",df["sepal width (cm)"].std())
    
    sns.kdeplot(standard_normal,label="标准正态分布")
    sns.kdeplot(df["sepal length (cm)"],label="花萼长度")
    sns.kdeplot(df["sepal width (cm)"],label="花萼宽度")

结果如下：

![format_png 18][]

以上就是本文的全部内容。

![format_png 19][]

如果大家觉得文章对你有帮助，欢迎扫描下方二维码关注黄同学的CSDN博客

![format_png 20][]

![format_png 1][]

**大家好，我是朱小五**

**「凹凸数据」的读者交流群建立有一段时间了~**

**大家在群里交流知识，友善互助**

**非常非常感谢大家的支持~**

**转眼间就①群就满了**

**所以今天又新建了②群**

**大家可以扫码直接进入**

**（为避免广告骚扰，第一周禁止发链接）**

![format_png 21][]

**已经在一群的同学就不用进了哈**

**如果人满了怎么办**

**后台回复关键词「进群」**

**可以加微信拉你进群**

**相信「凹凸数据」的读者们都是一群可爱的人**

**进入交流群里也一定会遵守群规的**

**对吧**

**以上**

**扫描下方二维码，关注这个有爱由有趣的公众号吧**

![format_png 22][]

“**在看**”和“**转发**”是对文章最好的支持** **

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9VUzEwR2NkMHRRRUJOaG4xdUhWYlZMOTYwNFN5U0NoQ1hNemxGNmljb1JMNXd4dnFUTXhwWElvNURLaWFyMTFIamlhU2Z3QjhJZDBrUFl5SmxUZmNzSDNnUS82NDA?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9ZblYxaWNma2NOOFlBUGhSU2FsaWI5UnZBZHhISmVDVE16Z1pMMDJyaWJWQ0RCYUhmRlNRalE3S3ZVQkM3Sk5VcmppY0RoSmlhaWFhSk9sWTNENlZpY3FJN3FJU0EvNjQw?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzUlplbmp2OVJQTDlOTEdndVJpYUFOOXVKQU9FRHR4Q2xpY01VOFdZMjhJRG43VmxHSlVuR0pkUEEvNjQw?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzMWJhQ1c0S2syOHlOazE1QjdRbEtGM21pYWljeElpY1BEaWNSSTAwNncwQ0I3aWJIbmVvbjUxS3d3d1EvNjQw?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzT1g2SDRQaWNkanRVT1JzdXVheXRwdHZCbURCbXd3SWliRjBpYmd3UXF3OEhaNmN4aWNJTTdhVGxFQS82NDA?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzR0hhemsyZzJwUnk4bzI4b3lpY2ljNmRrRWliaDdEamJuYUZ3WW8wVkNPaEw1aERaN3h1TUVlNE1BLzY0MA?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzVTZKUmY5NDZaZjJpY3RsQ25ZUXR6aWM4anlpY3ZSS0Y0NGljdW40NGpCdU9lTWIxVUlXZmliMHppYlF3LzY0MA?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzVmlia1JHUjZEUUlPT3BOaWNtQkRGbzhiQzIyaWFzQjYxVlBHVUlJdE92NUJ4OWliY1JVclM0YTM4dy82NDA?x-oss-process=image/format,png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzTFNWYThpYVUzc2ljaGxKS1A5S1VDVEhQaWJ0R3VidVVKR0xFbDI1Y0xtbnU0ZnlpYU1hY1dCempJdy82NDA?x-oss-process=image/format,png
[format_png 9]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzeWdRNnJpYU93UkltV3I1S3lINU1FNXh5N25RRWZ5dVhudHBpYUlZbFZTZmxOZWFNUFVQaWJUZFJRLzY0MA?x-oss-process=image/format,png
[format_png 10]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzTkNUbWYxYWJhTk5MSmliNU5VR1k2aWNpYlM2cjJkaWJ2d2Jvd1hxdGdXR0RDRTlXcnBwVTBoNFZjdy82NDA?x-oss-process=image/format,png
[format_png 11]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzRFNiekJFbDM4cHV6dHc2V1REVlFVdDFTcnZCTTVjbmVkNWtCU1BwN3ZETWNGZjRzbUxGR1hRLzY0MA?x-oss-process=image/format,png
[format_png 12]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzaWJlOVBHaWMwVEJXbldIM2VZSndvTmliR3lKcW9tNThFWlFWUWYzSTNXaDlEandpY1UybHppY3FpYTh3LzY0MA?x-oss-process=image/format,png
[format_png 13]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzOHNOdjFkWWpGSHJ4TENkZ1NzRWNhV1JqaWJtdzhBSTJlMGNHMGlhaWFJNDQyc3VMaWI1OVBNaHRhUS82NDA?x-oss-process=image/format,png
[format_png 14]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzV2QyaWF1UjlnbTBlTFY0RGZlZU1rWFE0Q2xOY1JXTjVpYlBybjY4NXpYNWhZcmlhUW8xOHlMMDZ3LzY0MA?x-oss-process=image/format,png
[format_png 15]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzM3BBUDhmZnl0bGVLbnNmUmRxMzRTUVZNS1NmOWlhaWNtT251THZrQnZOTmlhRXhvbHRXMlhYbVhBLzY0MA?x-oss-process=image/format,png
[format_png 16]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzZFFiUUtxd2NOcEt1S2VXT3dhZDlLSVNES3IzdkVhanhLbGJxNk1FeXU5UWlhU2g3ZmR3Y2pmZy82NDA?x-oss-process=image/format,png
[format_png 17]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzYTkwbWlhMUZlRDJIajVOUUJ2TVhvZFh0c2JIalJSYnlBaWIzUTVUNmliUFpZcXB4dk1uc0o1Q2dBLzY0MA?x-oss-process=image/format,png
[format_png 18]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzdGZIdjJ6ZDZRUjdHSk1UWUgwSTUzOEZTRkRBd3BqNUZPUUJXYXBJbTgwbjNqN3A2ZGlienNhUS82NDA?x-oss-process=image/format,png
[format_png 19]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9iOTZDaWJDdDcwaWFiaWFuSUhpYzFoQkFBcDg0aHBNQ2R6NVZpYWFqR3Q2QzJsWGFBWDNpYTExbXR5bnVlQndDckMyRHd1M0FGRmRJd1J3bjM0czJSTUdTMmtWQS82NDA?x-oss-process=image/format,png
[format_png 20]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzVHE0aWFFWWV5dnhMa2dwb3plU1FnVnJPSTVFZ1JYM0s1RVBuY0VncUk1amliNmR5UWpWSXpXVkEvNjQw?x-oss-process=image/format,png
[format_png 21]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGp0VDYwYWlhMG1HT2QyeWdvSFhqdEtzRVhpY21Fb01jbEtBQTJUbEVpYWlid2lhQXhzRVRpYnZpYktUQ2liUDZpY2NGRTRvMEtpYXpXYWtoWVNINldBLzY0MA?x-oss-process=image/format,png
[format_png 22]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi90WFlpY3Q0MHhmTGdpYWZHRm1XdFZWSEZWSzdpYlJ0eUVKT1hNczV2VjJBdVZIOFhVOTJKSlA0Y3dxbHRVSzBTTndDS01hZkNsMm9ZV3B4NjN1RXkyWDE5dy82NDA?x-oss-process=image/format,png