Pandas最详细教程来了！

桃扇骨 2022-11-15 11:50 173阅读 0赞

**导读：**在Python中，进行数据分析的一个主要工具就是Pandas。Pandas是Wes McKinney在大型对冲基金AQR公司工作时开发的，后来该工具开源了，主要由社区进行维护和更新。

Pandas具有NumPy的ndarray所不具有的很多功能，比如集成时间序列、按轴对齐数据、处理缺失数据等常用功能。Pandas最初是针对金融分析而开发的，所以很适合用于量化投资。

作者：赵志强 刘志伟

来源：大数据DT（ID：hzdashuju）

![d4d37858a0a8b73cb8acca6f1cc1b816.png][]

在使用Pandas之前，需要导入Pandas包。惯例是将pandas简写为pd，命令如下：

import pandas as pd

Pandas包含两个主要的数据结构：**Series**和**DataFrame**。其中最常用的是DataFrame，下面我们先来学习一下DataFrame。

**01 DataFrame入门**

**DataFrame是一个表格型的数据结构。每列都可以是不同的数据类型（数值、字符串、布尔值等）。**

DataFrame既有行索引也有列索引，这两种索引在DataFrame的实现上，本质上是一样的。但在使用的时候，往往是将列索引作为区分不同数据的标签。DataFrame的数据结构与SQL数据表或者Excel工作表的结构非常类似，可以很方便地互相转换。

下面先来创建一个DataFrame，一种常用的方式是使用字典，这个字典是由等长的list或者ndarray组成的，示例代码如下：

data={'A':['x','y','z'],'B':[1000,2000,3000],'C':[10,20,30]}
    df=pd.DataFrame(data,index=['a','b','c'])
    df

运行结果如图3-2所示。

![b9a1402c6c933b705b2fd8cc6a5e9ea8.png][]

▲图3-2

我们可以看到，DataFrame主要由如下三个部分组成。

*  **数据**，位于表格正中间的9个数据就是DataFrame的数据部分。
 *  **索引**，最左边的a、b、c是索引，代表每一行数据的标识。这里的索引是显式指定的。如果没有指定，会自动生成从0开始的数字索引。
 *  **列标签**，表头的A、B、C就是标签部分，代表了每一列的名称。

下文列出了**DataFrame函数常用的参数**。其中，“类似列表”代表类似列表的形式，比如列表、元组、ndarray等。一般来说，**data、index、columns这三个参数的使用频率是最高的。**

其中data的数据类型有很多种。

下文列举了**可以作为data传给DataFrame函数的数据类型**。

可以传给DataFrame构造器的数据：

*  **二维ndarray：**可以自行指定索引和列标签
 *  **嵌套列表或者元组：**类似于二维ndarray
 *  **数据、列表或元组组成的字典：**每个序列变成一列。所有序列长度必须相同
 *  **由Series组成的字典：**每个Series会成为一列。如果没有指定索引，各Series的索引会被合并
 *  **另一个DataFrame：**该DataFrame的索引将会被沿用

前面生成了一个DataFrame，变量名为df。下面我们来查看一下df的各个属性值。

获取df数据的示例代码如下：

df.values

输出结果如下：

array([['x', 1000, 10],
           ['y', 2000, 20],
           ['z', 3000, 30]], dtype=object)

获取df行索引的示例代码如下：

df.index

输出结果如下：

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

获取df列索引（列标签）的示例代码如下：

df.columns

输出结果如下：

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

可以看到，行索引和列标签都是Index数据类型。

创建的时候，如果指定了列标签，那么DataFrame的列也会按照指定的顺序进行排列，示例代码如下：

df=pd.DataFrame(data,columns=['C','B','A'],index=['a','b','c'])
    df

运行结果如图3-3所示。

![d7211328a64fb750ec30bced622f4fb4.png][]

▲图3-3

如果某列不存在，为其赋值，会创建一个新列。我们可以用这种方法来添加一个新的列：

df['D']=10
    df

运行结果如图3-4所示。

![fb03d66473117fb213c01b739541cac9.png][]

▲图3-4

使用del命令可以删除列，示例代码如下：

del df['D']
    df

运行结果如图3-5所示。

![1ad7b3e9cc716c6cdaeda433aa64c043.png][]

▲图3-5

添加行的一种方法是先创建一个DataFrame，然后再使用append方法，代码如下：

new_df=pd.DataFrame({'A':'new','B':4000,'C':40},index=['d'])
    df=df.append(new_df)
    df

运行结果如图3-6所示。

![0d3886c4af58f531f222088b7a0409bf.png][]

▲图3-6

或者也可以使用loc方法来添加行，示例代码如下：

df.loc['e']=['new2',5000,50]
    df

运行结果如图3-7所示。

![9638481874914ce8ba127262f90b0b8a.png][]

▲图3-7

loc方法将在后面的内容中详细介绍。

索引的存在，使得Pandas在处理缺漏信息的时候非常灵活。下面的示例代码会新建一个DataFrame数据df2。

df2=pd.DataFrame([1,2,3,4,5],index=['a','b','c','d','z'],columns=['E'])
    df2

运行结果如图3-8所示。

![5ec91560d7d1fbf20fdd0183382aeca7.png][]

▲图3-8

如果现在想要合并df和df2，使得df有一个新的列E，那么可以使用join方法，代码如下：

df.join(df2)

运行结果如图3-9所示。

![717bc6d755b6ef6935a50e639622563f.png][]

▲图3-9

可以看到，df只接受索引已经存在的值。由于df2中没有索引e，所以是NaN值，而且df2索引为z的值已经丢失了。为了保留df2中索引为z的值，我们可以提供一个参数，告诉Pandas如何连接。示例代码如下：

df.join(df2,how='outer')

运行结果如图3-10所示。

![bb577a7bdbe2d552c9b3c3008b0c3bda.png][]

▲图3-10

在上述代码中，how='outer'表示使用两个索引中所有值的并集。连接操作的其他选项还有inner（索引的交集）、left（默认值，调用方法的对象的索引值）、right（被连接对象的索引值）等。

在金融数据分析中，我们要分析的往往是时间序列数据。下面介绍一下如何基于时间序列生成DataFrame。为了创建时间序列数据，我们需要一个时间索引。这里先生成一个DatetimeIndex对象的日期序列，代码如下：

dates=pd.date_range('20160101',periods=8)
    dates

输出结果如下：

DatetimeIndex(['2016-01-01', '2016-01-02', '2016-01-03', '2016-01-04',
                   '2016-01-05', '2016-01-06', '2016-01-07', '2016-01-08'],dtype='da
                       tetime64[ns]', freq='D')

可以看到，使用Pandas的date\_range函数生成的是一个DatetimeIndex对象。date\_range函数的参数及说明如下所示：

date\_range函数频率的参数及说明如下所示：

*  **B：**交易日
 *  **C：**自定义交易日（试验中）
 *  **D：**日历日
 *  **W：**每周
 *  **M：**每月底
 *  **SM：**半个月频率（15号和月底）
 *  **BM：**每个月份最后一个交易日
 *  **CBM：**自定义每个交易月
 *  **MS：**日历月初
 *  **SMS：**月初开始的半月频率（1号，15号）
 *  **BMS：**交易月初
 *  **CBMS：**自定义交易月初
 *  **Q：**季度末
 *  **BQ：**交易季度末
 *  **QS：**季度初
 *  **BQS：**交易季度初
 *  **A：**年末
 *  **BA：**交易年度末
 *  **AS：**年初
 *  **BAS：**交易年度初
 *  **BH：**交易小时
 *  **H：**小时
 *  **T，min：**分钟
 *  **S：**秒
 *  **L，ms：**毫秒
 *  **U，us：**微秒
 *  **N：**纳秒

接下来，我们再基于dates来创建DataFrame，代码如下：

df=pd.DataFrame(np.random.randn(8,4),index=dates,columns=list('ABCD'))
    df

运行结果如图3-11所示。

![688b0ef203cd0390cf2dc97a0bd7b528.png][]

▲图3-11

有了df，我们就可以使用多个基于DataFrame的内建方法了，下面来看看相关的示例。

按列求总和，代码如下：

df.sum()

输出结果如下：

A    0.241727
    B   -0.785350
    C   -0.547433
    D   -1.449231
    dtype: float64

按列求均值，代码如下：

df.mean()

输出结果如下：

A    0.030216
    B   -0.098169
    C   -0.068429
    D   -0.181154
    dtype: float64

按列求累计总和，代码如下：

df.cumsum()

运行结果如图3-12所示。

![76cef75a03bdc9617ec2404bb1f1a63e.png][]

▲图3-12

使用describe一键生成多种统计数据，代码如下：

df.describe()

运行结果如图3-13所示。

![cc59fc6c5605c2af818923244f26e1fc.png][]

▲图3-13

可以根据某一列的值进行排序，代码如下：

df.sort_values('A')

运行结果如图3-14所示。

![f6fa28c0ef5fd8a1ff97bb6be4416d15.png][]

▲图3-14

根据索引（日期）排序（这里是倒序），代码如下：

df.sort_index(ascending=False)

运行结果如图3-15所示。

![664daaf481605d44c1231fc66b60295b.png][]

▲图3-15

选取某一列，返回的是Series对象，可以使用df.A，代码如下：

df['A']

输出结果如下：

2016-01-01   -1.142350
    2016-01-02   -0.816178
    2016-01-03    0.030206
    2016-01-04    1.930175
    2016-01-05    0.571512
    2016-01-06    0.220445
    2016-01-07    0.292176
    2016-01-08   -0.844260
    Freq: D, Name: A, dtype: float64

使用\[\]选取某几行，代码如下：

df[0:5]

运行结果如图3-16所示。

![c3c2766a04bd4fa5ee3f6472ab16ebde.png][]

▲图3-16

根据标签（Label）选取数据，使用的是loc方法，代码如下：

df.loc[dates[0]]

输出结果如下：

A   -1.142350
    B   -1.999351
    C    0.772343
    D   -0.851840
    Name: 2016-01-01 00:00:00, dtype: float64

再来看两个示例代码。

df.loc[:,['A','C']]

运行结果如图3-17所示。

![94fa97a0e38773047371e5b67248cca6.png][]

▲图3-17

df.loc['20160102':'20160106',['A','C']]

运行结果如图3-18所示。

![72f115cd5b29f6a8cc2bb6ef9dbc5248.png][]

▲图3-18

需要注意的是，如果只有一个时间点，那么返回的值是Series对象，代码如下：

df.loc['20160102',['A','C']]

输出结果如下：

A   -0.816178
    C   -0.595195
    Name: 2016-01-02 00:00:00, dtype: float64

如果想要获取DataFrame对象，需要使用如下命令：

df.loc['20160102':'20160102',['A','C']]

运行结果如图3-19所示。

![dafc9c85e7b49c9797a599969f277f76.png][]

▲图3-19

上面介绍的是loc方法，是按标签（索引）来选取数据的。有时候，我们会希望按照DataFrame的绝对位置来获取数据，比如，如果想要获取第3行第2列的数据，但不想按标签（索引）获取，那么这时候就可以使用iloc方法。

根据位置选取数据，代码如下：

df.iloc[2]

输出结果如下：

A    0.030206
    B    0.759953
    C   -1.446549
    D   -0.874364
    Name: 2016-01-03 00:00:00, dtype: float64

再来看一个示例：

df.iloc[3:6,1:3]

运行结果如图3-20所示。

![5520cd4c03140d1c1c541e4dffc61b6f.png][]

▲图3-20

注意：对于DataFrame数据类型，可以使用\[\]运算符来进行选取，这也是最符合习惯的。但是，对于工业代码，推荐使用loc、iloc等方法。因为这些方法是经过优化的，拥有更好的性能。

有时，我们需要选取满足一定条件的数据。这个时候可以使用条件表达式来选取数据。这时传给df的既不是标签，也不是绝对位置，而是布尔数组（Boolean Array）。下面来看一下示例。

例如，寻找A列中值大于0的行。首先，生成一个布尔数组，代码如下：

df.A>0

输出结果如下：

2016-01-01    False
    2016-01-02    False
    2016-01-03     True
    2016-01-04     True
    2016-01-05     True
    2016-01-06     True
    2016-01-07     True
    2016-01-08    False
    Freq: D, Name: A, dtype: bool

可以看到，这里生成了一个Series类型的布尔数组。可以通过这个数组来选取对应的行，代码如下：

df[df.A>0]

运行结果如图3-21所示。

![32422bc355d97ff692d491fded3eaded.png][]

▲图3-21

从结果可以看到，A列中值大于0的所有行都被选择出来了，同时也包括了BCD列。

现在我们要寻找df中所有大于0的数据，先生成一个全数组的布尔值，代码如下：

df>0

运行结果如图3-22所示。

![256af539bf02b2c0193cd2f588cfb5e5.png][]

▲图3-22

下面来看一下使用df>0选取出来的数据效果。由图3-23可以看到，大于0的数据都能显示，其他数据显示为NaN值。

df[df>0]

运行结果如图3-23所示。

![90e461a13bd247df0e935d0d79fa14f7.png][]

▲图3-23

再来看一下如何改变df的值。首先我们为df添加新的一列E，代码如下：

df['E']=0
    df

运行结果如图3-24所示。

![a9247115990b216ab1d0111a3ba6dab2.png][]

▲图3-24

使用loc改变一列值，代码如下：

df.loc[:,'E']=1
    df

运行结果如图3-25所示。

![ba1bb95b022c71969b2b179f66def66f.png][]

▲图3-25

使用loc改变单个值，代码如下：

df.loc['2016-01-01','E'] = 2
    df

运行结果如图3-26所示。

![ad2e49fed3b9021b9b53cc4708c832d5.png][]

▲图3-26

使用loc改变一列值，代码如下：

df.loc[:,'D'] = np.array([2] * len(df))
    df

运行结果如图3-27所示。

![7444420e340561a32814971bfa39f31b.png][]

▲图3-27

可以看到，使用loc的时候，x索引和y索引都必须是标签值。对于这个例子，使用日期索引明显不方便，需要输入较长的字符串，所以使用绝对位置会更好。这里可以使用混合方法，DataFrame可以使用ix来进行混合索引。比如，行索引使用绝对位置，列索引使用标签，代码如下：

df.ix[1,'E'] = 3
    df

运行结果如图3-28所示。

![e936d5439b1f16aaa81d7264c2d8531c.png][]

▲图3-28

ix的处理方式是，对于整数，先假设为标签索引，并进行寻找；如果找不到，就作为绝对位置索引进行寻找。所以运行效率上会稍差一些，但好处是这样操作比较方便。

对于ix的用法，**需要注意如下两点。**

*  假如索引本身就是整数类型，那么ix只会使用标签索引，而不会使用位置索引，即使没能在索引中找到相应的值（这个时候会报错）。
 *  如果索引既有整数类型，也有其他类型（比如字符串），那么ix对于整数会直接使用位置索引，但对于其他类型（比如字符串）则会使用标签索引。

总的来说，除非想用混合索引，否则建议只使用loc或者iloc来进行索引，这样可以避免很多问题。

**02 Series**

**Series类似于一维数组，由一组数据以及相关的数据标签（索引）组成。**示例代码如下：

import pandas as pd
    s=pd.Series([1,4,6,2,3])
    s

Out:

0    1
    1    4
    2    6
    3    2
    4    3

在这段代码中，我们首先导入pandas并命名为pd，然后向Series函数传入一个列表，生成一个Series对象。在输出Series对象的时候，左边一列是索引，右边一列是值。由于没有指定索引，因此会自动创建0到（N-1）的整数索引。也可以通过Series的values和index属性获取其值和索引。示例代码如下：

s.values

Out:

array([1, 4, 6, 2, 3], dtype=int64)

s.index

Out:

Int64Index([0, 1, 2, 3, 4], dtype='int64')

当然，我们也可以对索引进行定义，代码如下：

s=pd.Series([1,2,3,4],index=['a','b','c','d'])
    s

Out:

a    1
    b    2
    c    3
    d    4

在这里，我们将索引定义为a、b、c、d。这时也可以用索引来选取Series的数据，代码如下：

s['a']

Out:

s[['b','c']]

Out:

b    2
    c    3

对Series进行数据运算的时候也会保留索引。示例代码如下：

s[s>1]

Out:

b    2
    c    3
    d    4

s*3

Out:

a     3
    b     6
    c     9
    d    12

Series最重要的功能之一是在不同索引中对齐数据。示例代码如下：

s1=pd.Series([1,2,3],index=['a','b','c'])
    s2=pd.Series([4,5,6],index=['b','c','d'])
    s1+s2

Out:

a   NaN
    b     6
    c     8
    d   NaN

Series的索引可以通过赋值的方式直接修改，示例代码如下：

s.index

Out:

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

s.index=['w','x','y','z']
    s.index

Out:

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

Out:

w    1
    x    2
    y    3
    z    4

**关于作者：****赵志强**，金融量化与建模专家，目前在金融科技公司负责金融大数据产品工作，专注于研究Al在金融领域的落地应用。曾在由诺奖得主Robert Engle领导的上海纽约大学波动研究所研究全球金融风险，并和上交所、中金所合作完成多项科研项目。曾在摩根士丹利华鑫基金、明汯投资负责量化投资研究工作，内容包括股票多因子、期货CTA和高频交易等。

**刘志伟**，在中国银联云闪付事业部从事数据分析、数据挖掘等工作。对自然语言处理、文本分类、实体识别、关系抽取、传统机器学习，以及大数据技术栈均有实践经验。目前正在探索相关技术在金融场景内的落地应用，包括自动知识图谱、大规模文本信息抽取结构化、异常识别等领域，关注人工智能行业前沿技术发展。

本文摘编自《Python量化投资：技术、模型与策略》，经出版方授权发布。

![1794c5a8fcc14d9b6f0c53f1f2e51dac.png][]

延伸阅读《Python量化投资：技术、模型与策略》

点击上图了解及购买

转载请联系微信：DoctorData

**推荐语：**理论与实践相结合，基于Python阐述量化投资理论和策略，深入分析Python在量化投资分析中具体的应用案例。

![音符][ff921c1f17dea869a49939e266faf0a5.gif]

**划重点????**

**干货直达????**

*  [数据从哪里找？手把手教你构建数据集][Link 1]  
    
 *  [只有22%的人做对了这道数据分析题，你来试试吗？][22]  
    
 *  [数据中台：不是产品，不是技术，到底是什么？（附完整PPT下载）][PPT]  
    
 *  [终于有人把网络爬虫讲明白了][Link 2]

**更多精彩****????**

在公众号对话框输入以下**关键词**

查看更多优质内容！

**PPT** | **读书** | **书单** | **硬核** | **干货**** **| **讲明白 **|** 神操作**

**大数据** | **云计算** | **数据库** | **Python** | **可视化**

**AI** | **人工智能** | **机器学习** | **深度学习** | **NLP**

**5G**** **|** 中台 **|** 用户画像**** **| **1024** | **数学 **|** 算法 **| **数字孪生**

据统计，99%的大咖都关注了这个公众号

**????**

[d4d37858a0a8b73cb8acca6f1cc1b816.png]: /images/20221022/4b9be535a2354a078b3fa2f4ec7c06dd.png
[b9a1402c6c933b705b2fd8cc6a5e9ea8.png]: /images/20221022/d41f920bdfbf4810954ad33003e87325.png
[d7211328a64fb750ec30bced622f4fb4.png]: /images/20221022/f1b503d7f8bd482faecf7c894066ec5c.png
[fb03d66473117fb213c01b739541cac9.png]: /images/20221022/14fe8f808d604528823c2f235a9dc9a1.png
[1ad7b3e9cc716c6cdaeda433aa64c043.png]: /images/20221022/aba76a29623544dfb6153e55bd98d8b3.png
[0d3886c4af58f531f222088b7a0409bf.png]: /images/20221022/2738595ca7f441a09ab695cecaa1855d.png
[9638481874914ce8ba127262f90b0b8a.png]: /images/20221022/c16d79f0dc5b4e3eb94bda8570e77162.png
[5ec91560d7d1fbf20fdd0183382aeca7.png]: /images/20221022/b05a7c90cb534c1dadd1c15e01bed6b0.png
[717bc6d755b6ef6935a50e639622563f.png]: /images/20221022/8faa70645fcb40c2954585df963ac2a3.png
[bb577a7bdbe2d552c9b3c3008b0c3bda.png]: /images/20221022/458f088ab9a64d67917319154c35d87a.png
[688b0ef203cd0390cf2dc97a0bd7b528.png]: /images/20221022/39291a06e4c046f291f78671db4b965f.png
[76cef75a03bdc9617ec2404bb1f1a63e.png]: /images/20221022/7916084d283f4d98af25ec9c2f049f0c.png
[cc59fc6c5605c2af818923244f26e1fc.png]: /images/20221022/17a7606e78274086a4f8fe39669f0da4.png
[f6fa28c0ef5fd8a1ff97bb6be4416d15.png]: /images/20221022/3b863bc462fa41fe974cc5babea880d4.png
[664daaf481605d44c1231fc66b60295b.png]: /images/20221022/86e4a785cd894fc99a7b6fed6654e960.png
[c3c2766a04bd4fa5ee3f6472ab16ebde.png]: /images/20221022/bb6b1189f3ae4260873bdb9e65ffcfe6.png
[94fa97a0e38773047371e5b67248cca6.png]: /images/20221022/8c4e521503c54e788ca194d9f28e0015.png
[72f115cd5b29f6a8cc2bb6ef9dbc5248.png]: /images/20221022/3786dbfcdc0f4b72afe43b57ad4b1416.png
[dafc9c85e7b49c9797a599969f277f76.png]: /images/20221022/f5f48181718a472ba992913e1f59d13e.png
[5520cd4c03140d1c1c541e4dffc61b6f.png]: /images/20221022/373486cbc134423c9d00566ef3553aa2.png
[32422bc355d97ff692d491fded3eaded.png]: /images/20221022/2b77dbe10d6f483cb89b3dd8e4eaaaf3.png
[256af539bf02b2c0193cd2f588cfb5e5.png]: /images/20221022/c5fc71aa9f324098b9c7459070fc774e.png
[90e461a13bd247df0e935d0d79fa14f7.png]: /images/20221022/7389810e7c704cbf9daa7cd9e2b54b88.png
[a9247115990b216ab1d0111a3ba6dab2.png]: /images/20221022/b821d2fbbd2547c5abd8fa022360c548.png
[ba1bb95b022c71969b2b179f66def66f.png]: /images/20221022/1324b487ac004bf097c35861f7ca0c6e.png
[ad2e49fed3b9021b9b53cc4708c832d5.png]: /images/20221022/1a9235e57a8e4a009565b8a81c6138f2.png
[7444420e340561a32814971bfa39f31b.png]: https://img-blog.csdnimg.cn/img_convert/7444420e340561a32814971bfa39f31b.png
[e936d5439b1f16aaa81d7264c2d8531c.png]: https://img-blog.csdnimg.cn/img_convert/e936d5439b1f16aaa81d7264c2d8531c.png
[1794c5a8fcc14d9b6f0c53f1f2e51dac.png]: https://img-blog.csdnimg.cn/img_convert/1794c5a8fcc14d9b6f0c53f1f2e51dac.png
[ff921c1f17dea869a49939e266faf0a5.gif]: https://img-blog.csdnimg.cn/img_convert/ff921c1f17dea869a49939e266faf0a5.gif
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c20f4dbfba9e257bf19c2b937638db91459e8fe2f43db92ee3a5faa86cf346cc15bbd4cd2&idx=2&mid=2247526680&scene=21&sn=7183138a21e667844d6d5d0a0ba8cf2a#wechat_redirect
[22]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c213edbfba828e8fc5e7b8aa2cadf564192ee1eb87eb48d91b9e748ccd9656ca6c08add95&idx=2&mid=2247526610&scene=21&sn=24e4f83137aa0d4aab4be4e6c8ed9591#wechat_redirect
[PPT]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c213cdbfba82a82406ad0972923524a650334c91180f632024aee749680c4d54a59828028&idx=1&mid=2247526608&scene=21&sn=80b67c6f1d2b0fd85540d4939c6e6786#wechat_redirect
[Link 2]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8c21a1dbfba8b7b7e7e216b9bc29da5dad8d862fadff0a6fe5cb7fee41205e530f10d0f6ac&idx=1&mid=2247526477&scene=21&sn=676a9c10471919d7a67c955c8045f31b#wechat_redirect