用户消费行为实战三

「爱情、让人受尽委屈。」 2024-04-17 06:03 144阅读 0赞

#                                       用户消费行为实战三 #

##                                                                      需求： ##

###    一、用户第一次消费（首购） ###

###    二、用户最后一次消费 ###

### 三、新老客户消费比 ###

1.  ### 多少用户仅消费一次？ ###
2.  ### 每月新客户比？ ###

### 四、用户分层 ###

1.  ### \#     RFM ###
2.  ### \#     新、老、活跃、回流、流失 ###

### 五、用户购买周期（按订单） ###

1.  ### \#     用户消费周期描述 ###
2.  ### \#     用户消费周期分布 ###

### 六、用户生命周期 ###

1.  ### \#     用户生命周期描述 ###
2.  ### \#     用户生命周期分布 ###

## \#这份数据 分别是  用户的id  消费的日期 购买的产品数量，购买的金额 ##

### 一、用户第一次消费（首购）： ###

colums = ['usr_id','order_dt','order_products','order_amount']
    #因为是txt的数据所以我用read_table
    #这里的分割符是 多个空格
    df = pd.read_table("CDNOW_master.txt",names=colums,sep='\s+')
    #当我们看数据类型发现日期是 int类型，后期需要进行转换
    print(df.info())
    #转换日期的操作
    df['order_dt'] = pd.to_datetime(df.order_dt,format="%Y%m%d")
    #时间维度的转换 按照月份 ，values不能忘记加
    df['month'] = df.order_dt.values.astype('datetime64[M]')
    print(df.head())
    #因为数据是按月的所以现在按照月份分组（聚合）
    grouped_month = df.groupby('month')
    
    
    
    #按照用户进行分组，然后对用户id进行求和描述
    #用户首购距离日期最远第一次，先对所有用户聚合
    grouped_user = df.groupby('usr_id')
    
    #设置图像形状
    plt.style.use('ggplot')
    #然后求出最小的时间，也就是距离现在最遥远的时间
    grouped_user.min().order_dt.value_counts().plot()
    
    plt.savefig('用户首购距离最远.jpg')
    plt.show()

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70][]

#分析：用户在第一次购买分布，集中在前三个月，其中，在2月11日至2月25日有一次剧烈的波动

### 二、用户最后一次消费： ###

#用户首购距离日期最近第一次，也就是最后一次消费，先对所有用户聚合
    grouped_user = df.groupby('usr_id')
    
    #设置图像形状
    plt.style.use('ggplot')
    #然后求出最小的时间，也就是距离现在最遥远的时间
    grouped_user.max().order_dt.value_counts().plot()
    plt.savefig('用户首购距离最近.jpg')
    plt.show()

可视化结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1][]

**\#图像分析：用户最后一次购买的分布比在第一次分布广 \# 大部分最后一次购买，集中在前三个月，说明有很多用户购买了一次后就不在进行购买 \#随着时间的递增，最后一次购买数也在递增，消费呈现流失上升的状况**

### 三、新老客户消费比： ###

**多少用户仅消费一次？**

# 新老客户消费比
    user_life = grouped_user.order_dt.agg(['min','max'])
    print(user_life.head())

**结果：**

![20190826001706262.png][]

01-第一次购买时间分布
    # min()  时间最小，第一次购买
    grouped_user.min().order_dt.value_counts().plot()
    # 2月发生较大下跌  渠道发生变化，或者其他  可以做一些假设

*  用户第一次购买分布，集中在前三个月，其中2月11日至2月25日有一次剧烈波动

02-最后一次购买时间分布
    grouped_user.max().order_dt.value_counts().plot()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 2][]

*  用户最后一次购买的分布比第一次购买分布广
 *  大部分最后一次购买在前三个月，说明很多用户购买一次后就不再进行购买
 *  随着时间递增，最后一次购买数在递增，消费呈线性流失上升的情况

### 四、用户分层 ###

**上图结果分析：第一次消费也就是最小的日期是一月一号，最后一次消费也是一月一号。**

print((user_life['min']==user_life['max']).value_counts())
    #看看true和false谁更多

**每月新客户比？**

统计用户只消费一次和多余一次的比例：可以看见大部分是true，只消费一次

![20190826002830650.png][]

**可视化代码：**

plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    labels = ['只消费一次用户','多次消费用户']
    plt.axis('equal') # 保证长宽相等
    plt.pie(rate,explode=(0,0.15),labels=labels,autopct='%2.1f%%',startangle=90,colors=['r','orange'],radius=1.5)
    plt.savefig("消费比")
    #看看true和false谁更多

**可视化结果：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 3][]

**RFM：**

04-用户分层
    #  RFM   消费额 次数  最近一次消费 进行透视
    rfm = data.pivot_table(index = 'user_id',
                         values = ['order_products','order_amount','order_dt'],
                         aggfunc = {'order_dt':'max',
                                    'order_amount':'sum',
                                    'order_products':'sum'})
    rfm.head()

![20190826103533931.png][]

# 表示离最近一次消费的时间间隔
    rfm['R'] = -(rfm.order_dt - rfm.order_dt.max()) / np.timedelta64(1,'D')
    # 数值越大，离现在的时间越长

![20190826103620620.png][]

#对字段进行重命名
    rfm.rename(columns = {'order_products':'F','order_amount':'M'},inplace=True)
    print(rfm.head())

![20190826103756861.png][]

print(rfm[['R','F','M']].apply(lambda x:x-x.mean()).head())
    #定义函数把其中的数字转换成对应的信息
    # 负数是小于的   正式大于的
    # R：离最近一次购买的天数   F：产品数（消费次数） M：消费金额   与均值的对比

![2019082610390051.png][]

**数据解读： 负数是小于的   正式大于的   **

**R：离最近一次购买的天数   F：产品数（消费次数） M：消费金额   与均值的对比**

#定义函数把其中的数字转换成对应的信息
    # 负数是小于的   正式大于的
    # R：离最近一次购买的天数   F：产品数（消费次数） M：消费金额   与均值的对比
    def rfm_func(x):
        level = x.apply(lambda x:'1' if x>= 0 else '0')
        # 字符串拼接
        #  111，R>0,是距离平均消费时间要久，R越大 说明没有消费时间越久  ，F >0 M>0,消费次数和金额也是较高的，重要价值客户，依次类推
        label = level.R + level.F + level.M
        d = {
            '111':'重要价值客户',
            '011':'重要保持客户',
            '101':'重要挽留客户',
            '001':'重要发展客户',
            '110':'一般价值客户',
            '010':'一般保持客户',
            '100':'一般挽留客户',
            '000':'一般发展客户'
        }
        result = d[label]
        return result
    # x - x.mean() （具体真实情况可以修改，不一定需要用均值）   切比雪夫也可以 > 200 极值人工处理掉
    rfm['label'] = rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
    print(rfm)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 4][]

数据解读： 1  时间比较长，只消费了一次，消费金额低   一般挽留客户

print(rfm.groupby('label').sum())

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 5][]

**统计不通层次有哪些人数：**

print(rfm.groupby('label').count())

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 6][]

从rfm分层可知，大部分用户为重要保持客户，但是这是由于极值的影响，所以rfm的划分标准应该以业务为准

1、尽量用小部分的用户覆盖大部分的额度

2、不要为了数据好看划分等级

**我们想要看看层次用户占比人数：**

# 各类类型用户占比
    use_c = rfm.groupby('label').count()
    plt.axis('equal')
    labels = ['一般价值客户','一般保持客户','一般发展客户','一般挽留客户','重要价值客户','重要保持客户','重要发展客户','重要挽留客户']
    plt.pie(use_c['M'],
           autopct='%3.1f%%',
           labels = labels,
           pctdistance=0.9,
           labeldistance = 1.2,
           radius=3,
           startangle = 15)

**结果：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 7][]

**利用散点图来观察客户的不同层次：**

# 对应标签，使用不同颜色表示
    # 绿色为重要价值客户，红色为非重要价值用户
    rfm.loc[rfm.label == '重要价值客户','color'] = 'g'
    rfm.loc[~(rfm.label == '重要价值客户'),'color'] = 'r'
    rfm.plot.scatter('F','R',c=rfm.color)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 8][]

**用户生命周期：**

pivoted_counts = df.pivot_table(index = 'usr_id',
                                      columns = 'month',
                                      values = 'order_dt',
                                      aggfunc = 'count').fillna(0)
    # pivoted_counts.head()
    print(pivoted_counts.head())

![20190826112023726.png][]

### 五、用户购买周期（按订单） ###

1.  ### \#     用户消费周期描述 ###
2.  ### \#     用户消费周期分布 ###

#消费过的为1 ，没消费过的为0
    data_purchase = pivoted_counts.applymap(lambda x: 1 if x > 0 else 0)
    data_purchase.tail()
    # 透视会补上  第一次从3月分开始购买 前面补成0 ， 需要进行判，第一次消费作为生命周期的起始
    # se.columns.values

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 9][]

def active_status(data):
        status = []
        for i in range(18):
    
            # 若本月没有消费
            if data[i] == 0:
                if len(status) > 0:
                    if status[i - 1] == 'unreg':
                        status.append('unreg')
                    else:
                        status.append('unactive')
                else:
                    status.append('unreg')
                    # 若本月消费
            else:
                if len(status) == 0:
                    status.append('new')
                else:
                    if status[i - 1] == 'unactive':
                        status.append('return')
                    elif status[i - 1] == 'unreg':
                        status.append('new')
                    else:
                        status.append('active')
    
    # 这里需要对返回的值进行转换，将列表转为Series
        return status

*  若本月没有消费
    
     *  若之前是未注册，则依旧未注册
     *  若之前有消费，则为流失/不活跃
     *  其他情况，为未注册
 *  若本月有消费
    
     *  若是第一次消费，则为新用户
     *  如果之前有过消费，则上个月为不活跃，则为回流
     *  如果上个月为未注册，则为新用户
     *  除此之外，为活跃

purchase_stats = data_purchase.apply(active_status,axis=1,result_type ='expand')
    # df.rename(columns={ df.columns[2]: "new name" }, inplace=True)
    # purchase_stats.rename(columns={purchase_stats.columns:data_purchase.columns})
    purchase_stats.head()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 10][]

purchase_status_ct = purchase_stats.replace('unreg',np.NaN).apply(lambda x : pd.value_counts(x))
    purchase_status_ct
    # 未注册不希望参与处理  设置我空值

![20190926093916377.png][]

**数据解读： 一月份有7846个用户   然后2月份分叉为不活跃用户 和 活跃用户    有8476个新用户 等等**

** 新用户转换为是否活跃等等 流失用户在增加**

# 各个状态的占比 
    purchase_status_ct.fillna(0).T.apply(lambda x:x/x.sum(),axis=1)
    purchase_status_ct.fillna(0).T.plot.area()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 11][]

**由上表可知，每月的用户消费转变**

**活跃用户，持续消费的用户，对应的是消费质量**

**回流用户，之前是不消费的本月才消费，采取唤回运营**

**不活跃用户，对应的是流失**

用户购买周期 
    data.order_dt.head(10)
    # 把所有的数据进行一个错位  
    data.order_dt.shift().head(10)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 12][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 13][]

#   一个用户可能多个订单  每个订单的间隔 
    order_diff = grouped_user.apply(lambda x:x.order_dt - x.order_dt.shift())
    order_diff.head(10)

**数据解读：ID为2     0天当天购买两次或以上，间隔为0     **

**　　　　　ID为3的用户          3-4间隔了87天   **

**NaT表示一个订单**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 14][]

** 每个用户的平均订单是68天  中位值31天 最大值533天**

# 去除单位  间隔天数分布图
    (order_diff / np.timedelta64(1,'D')).hist(bins=20)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 15][]

(user_life['max'] - user_life['min']).describe()
    # 整体的生命周期

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 16][]

((user_life['max'] - user_life['min']) / np.timedelta64(1,'D')).hist(bins = 40)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 17][]

*  **用户的生命周期受只购买一次的用户影响比较厉害 （可以进行排除 当特殊情况，想提取出购买一次以上的用户）**
 *  **用户均消费134天，中位数仅为0**

u_l = ((user_life['max'] - user_life['min']).reset_index()[0] / np.timedelta64(1,'D'))
    u_l[u_l > 0].hist(bins=40)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 18][]

*  **左边比较高，还是有些用户的生命周期是比较短的，例如10、20天等**
 *  **有不少用户生命周期也是比较稳定**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/afa58690a64749169a00a9cdbbc61a3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/e3e7436a4411427ba920e42aed3030ea.png
[20190826001706262.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/bfbca4ceb6c94550afe13a75d3f36ae4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/1e4edaef04ea4ac4a5387e48bb4d3657.png
[20190826002830650.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/eccb90f495654a1db1740a4e29b51084.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/896bfc1eb64148b19e4d241b4a6e1bae.png
[20190826103533931.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/c25d228e69214fe5881d45ec2beda44b.png
[20190826103620620.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/99b6ff2d4d4e43248a66ec0d4114ce93.png
[20190826103756861.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/b448f609871c44ffa83e5a481f2ac3d9.png
[2019082610390051.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/2009ace0bd4449aaae2fadca2e9ae32e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 4]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/02e8f48b7c874354af97161eaf185b57.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 5]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/711a738f306246779edf84be3e7ee202.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 6]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/4f5e5d972a9b40d19a68643dafbacc74.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 7]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/335450d99f504e1cba57399dbb0a1af4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 8]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/68902de0712f436495463cefa74c70a3.png
[20190826112023726.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/d5ad135c2a1f43899e64fcab8089f7e3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 9]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/738c1d7182254ca7ad9a748dd6816843.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 10]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/ef9d8f7450e04332a02ac0d304db066f.png
[20190926093916377.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/081b86fe66ec44048c07f99165dc86d8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 11]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/39c13d71d81f4a1fade21806abaf157d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 12]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/3d2d915803274af184ca255490c8c149.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 13]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/41e86991736c4c7f912dec24d57ef3e3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 14]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/7f1a3c3fea874727b28f678b12299f1b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 15]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/9babb31bedb0499289a852eca5f64416.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 16]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/567d28989e6f4613b34b2018fc5feead.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 17]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/23e2de15fc8d43c9a9c201728d8b0244.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 18]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/16/6a22517e9e33485f8f913148b1ec64a3.png