用Excel、SQL、Python做数据分析有何不同？

拼搏现实的明天。 2022-12-28 00:54 214阅读 0赞

![format_png][]

> **作者简介**  
> HeoiJin：立志透过数据看清世界的产品策划，专注爬虫、数据分析、产品策划领域。
> 
> 万物皆营销 | 资本永不眠 | 数据恒真理  
> CSDN：https://me.csdn.net/weixin\_40679090

##  ##

## 一、前言 ##

后互联网时代，获客拉新的成本越来越高，如何增加客户的留存，提高客户的复购次数、购买金额等变得十分重要，同期群分析便是当中非常重要的分析方法。

关于同期群分析概念和思路的文章很多，但分享如何实现的文章非常罕见。因此，本文将简单介绍同期群分析的概念，并用数据分析师的三板斧ESP（**Excel、MySQL、Python**）分别实现同期群分析。

## 二、项目准备 ##

*  Excel：
 *   *  office或wps均可，office 2013后的版本更好
 *  MySQL：
 *   *  版本：8.0（本次不涉及窗口函数，其他版本亦可）
     *  Navicat
 *  Python：
 *   *  版本：3.7
     *  IDE：pycharm
     *  库：pandas、xlrt

PS.

*  因篇幅原因，可能会有未能详细讲解的过程
 *  完整源码及数据集请移步至文末获取

## 三、同期群分析概念讲解 ##

数据分析最终目标都是为了解决业务问题，任何分析方法都只是工具。因此在详细讲解如何实现之前，需要先明晰方法的含义是什么，能带来什么收益，才能在合适的问题上选对分析方法。

### 3.1 同期群分析含义 ###

**同期群(Cohort)**即相同时间内具有相似或特定属性 、行为的群体。核心要素为时间+特定属性，比如把00后出生的人划分为一个群组。

**同期群分析**指将用户进行同期群划分后，对比不同同期群用户的相同指标。我们耳熟能详的留存率就是同期群分析的其中一种，案例如下图：

![format_png 1][]

同期群分析包含了3个重要元素：

1.  客户首次行为时间，这是我们划分同期群的依据
2.  时间维度，即上图中+N月或者N日留存率中的N日
3.  指标，注册转化率、付款转化率、留存率等等

### 3.2 意义 ###

同期群分析给到更加细致的衡量指标，帮助我们实时监控真实的用户行为、衡量用户价值，并为营销方案的优化和改进提供支撑：

*  横向比较：观察同一同期群在不同生命周期下的行为变化，推测相似群体的行为随时间的变化
 *  纵向比较：观察不同的同期群在同一个生命周期下的行为变化，验证业务行为是否取得预期效果

## 四、材料梳理 ##

### 4.1 数据情况梳理 ###

拿到数据的第一步，自然是了解数据的情况。针对本次同期群分析，我们可能需要用到的字段有：

*  客户昵称
 *  付款时间：时间戳形式
 *  订单状态：交易失败/交易成功
 *  支付金额
 *  购买数量

![format_png 2][]

通过进一步计算，发现付款时间中缺失值所在行的订单状态均为“交易失败”，那么下文分析都需要将订单状态为“交易失败”的行全部剔除。

### 4.2 分析方法确定 ###

针对此份数据，有3个分析方向可以选择：

1.  留存率或付款率
2.  人均付款金额
3.  人均购买次数

我们选择其中最经典，也是数分面试中最常考的留存率作为例子，需要用到的字段有：

*  客户昵称
 *  付款时间
 *  订单状态

相信各位对留存率都十分熟悉，不过多介绍。在本次的分析中，留存率的具体计算方式为：+N月留存率=（+N月付款用户数/首月付款用户数）\*100%

注意：公式中的+N月存在歧义，会有两种计算方法：

1.  以自然月作为月份偏移的依据：即所有首次行为在9月的用户，只要10月有付款行为，都计算进+1月留存
2.  以每30天作为月份偏移的依据：即9月30日首次付款的用户，在10月30日-11月29日之间有付款行为，才计算进+1月留存

具体的差距会在Excel（用算法1）和MySQL（用算法2）两种工具实现的结果中分别展示。没有相关技术背景的看官老爷可直接对比最终的留存率结果。

## 五、Excel实现 ##

Excel的实现方式是三个当中门槛最低的，只需要掌握数据透视表和一些基础函数，但过程相对繁杂。实现思路如下：

![format_png 3][]

实现思路一共分为4大部分：数据清洗 -> 计算首单时间 -> 计算首单时间与付款时间差 -> 利用透视表计算同期群留存量和留存率。其中由于部分版本的office和wps的数据透视表不支持非重复计数，因此需要先计算各月中各用户出现的次数。

数据清洗部分只需要筛选+删除便可完成，相信如此简单的操作难不倒各位看官老爷们，那么我们便从第二部分开始详细讲解。

### 5.1 计算每个客户首单时间 ###

首先通过数据透视表求每一个用户首次付款时间。数据透视表，说白了就是通过特定的条件进行分组，并对数据进行求和、求均值、求方差等聚合操作。在制作数据透视表时要注意以下几点：

1.  数据区域的第一行为标题栏（字段名称）
2.  标题栏不能出现空单元格，亦不要出现重复的标题名
3.  数据中避免有合并单元格
4.  不能出现非法日期

#### 5.1.1 创建透视表 ####

全选数据 -> 插入 -> 数据透视表 -> 确定

![format_png 4][]

#### 5.1.2 选择分组字段和值字段 ####

将“客户昵称”拖进“行”，将付款时间拖进“值”，并将值字段设置中的汇总方式设置为最小值

![format_png 5][]

这里最小付款时间显示为10位的时间戳，只要调整显示格式便可转为我们常见的xx年xx月xx日。

#### 5.1.3 将首单时间拼接到每个用户所在行 ####

此步骤需要使用到vlookup函数进行匹配。VLOOKUP函数是一个纵向查找的函数，包含4个参数，具体语法为=VLOOKUP（查找的依据，查找的区域，返回的值在查找区域中的列号，是否近似匹配）

注意：

1.  查找的位置如果要保持不变，要使用A:B或者1:15的形式锁定匹配区域
2.  参数\[ 查找的位置 \]中，“!”号前为表的名称
3.  列号的计数是从1开始，且第一列必须是与查找依据对应的列
4.  近似匹配参数中，0为否（即必须与查找依据一模一样才匹配），1为是（即依据为“同期”时，可以匹配出“同期”、“同期群”或者“同期群分析”）

=VLOOKUP(A2,首付时间透视表!A:B,2,0)

![format_png 6][]

利用VLOOKUP拼接之后，首单时间同样显示为10位的时间戳，设置单元格格式后即可显示为上图的形式。

### 5.2 计算时间差 ###

#### 5.2.1 对付款时间和首单时间进行降采样 ####

如按算法2进行计算，可直接省略此步骤。

可能有看官老爷对重采样的概念并不是很清楚，简单说下：

*  将时间序列从一个频率转化为另外一个频率的过程即重采样
 *  常见的时间频率由低到高依次为：年 -> 月 -> 日 -> 时 -> 分 -> 秒
 *  将高频率转为低频率为降采样，将低频率转为高频率为升采样

在Excel当中可以使用分列或者时间相关函数（YEAR、MONTH、DAY等）方式来获取到对应的时间频率。我们使用YEAR和MONTH来对时间进行降采样，注意与字符串连接一定要用“&”号。

=YEAR(B2)&"/"&MONTH(B2)

![format_png 7][]

#### 5.2.2 计算时间差 ####

此步骤中需要用到DATEDIF函数，此公式常用于计算两个日期之间的天数、月份、年数差，语法为：=DATEDIF（起始时间，结束时间，时间频率），常用的时间频率参数有\['Y','M','D'\]，分别对应年月日

=DATEDIF(E2,D2,"M")

![format_png 8][]

#### 5.2.3 重置月份差标签 ####

修改透视表的标签并不方便，因此先重置月份差标签，需要用到一个IF函数便可。具体语法：=IF（条件，符合条件时的操作，不符合条件时的操作）

=IF(F2=0,"首月","+"&F2&"月")

![format_png 9][]

### 5.3 计算同期留存量和留存率 ###

如果是office 2013及之后的版本，以上的数据已经足够我们进行留存量的计算，可以直接跳过计算用户出现次数环节。

#### 5.3.1 计算每月中每个用户出现的次数 ####

这里利用COUNTIFS函数，计算出“用户昵称”和“付款时间（重采样）”均相同的次数，并取其倒数，让当月无论该用户出现多少次，最终都只会计算为一次。即假设用户当月付款5次，倒数后权重变为1/5，求和后出现次数为1。

COUNTIFS的语法为：=COUNTIFS（区域A，条件A，区域B，条件B，....）

=COUNTIFS(A:A,A:A,D:D,D:D,E:E,E:E)
    
    =1/H2

![format_png 10][]

#### 5.3.2 创建留存量数据透视表 ####

针对wps及office2013以前的版本，我们已经计算了出现次数的倒数，只需要仿照前文“计算每个用户首单时间”的步骤创建数据透视表，以“首单时间重采样”作为行，以“月份差标签”作为列，以“出现次数（倒数）”作为值，并修改值字段设置中的计算类型为求和即可。

而office 2013及之后的版本，我们在插入数据透视表时，需要注意勾选“将此数据添加到数据模型”

![format_png 11][] 数据透视表

同样以“首单时间重采样”作为行，以“月份差标签”作为列，但不同的是，我们可以直接以“客户昵称”作为值，并在值字段设置当中，将计算类型设置为“非重复计数”。

![format_png 12][]

到此，我们留存量的透视图便完成了，但格式看上去还是有点丑，我们手动拖动下行、列标签的排序，最终获得如下效果：

![format_png 13][]

#### 5.3.3 计算留存率 ####

在值字段显示方式当中并没有找到我们想要的效果，因此我们在数据透视表下方选定一个区域，复制好行标签和列标签。通过公式“=C5/$B5”计算出留存率，并向右向下拖动公式便可完成

注：

*  B5为2019年9月的首月留存量，C5为2019年9月的+1月留存量
 *  分母需要将B列锁定，否则在向右拖动公式时，分母会依次变为D5、E5

![format_png 14][]

完美符合我们预期的结果！Excel版本的实现就到这里便完成，接下来是门槛稍微高一亿点点的MySQL实现。

## 六、MySQL实现 ##

MySQL的实现路径与Excel的实现路径非常相近，具体步骤为：

1.  导入数据
2.  清洗数据：筛选订单状态为“交易成功”的行
3.  获取首单时间
4.  求月份偏移：求出月份差，并对首付时间降采样
5.  计算留存量：通过首付时间和月份差进行分组，求唯一的用户id数
6.  求留存率

### 6.1 导入数据 ###

目前的数据的保存格式为xlsx，我们需要先将数据导入到数据库当中才能执行查询。第一步选择一个库，右键选择导入向导。

![format_png 15][]

第二步选择导入类型，我们直接选择Excel文件即可。

![format_png 16][]

第三步为选择数据源的路径，我们找到对应的数据后，勾选需要导入的表。

![format_png 17][]

完成前文的操作之后便可以点击“>>”跳转至最后的步骤，当然中间还有几个调整数据的步骤，但此次数据十分工整，不需要进行额外操作。

到达下图的界面，我们按照指引直接点击“开始”即可，如导入成功，会在日志栏中显示Finished successfully，如下图所示。

![format_png 18][]

### 6.2 数据清洗 ###

照旧先筛选出订单状态为交易成功的行，并提取用户昵称、付款时间两个字段。这里我们稍微修改了列名，把\`用户昵称\`修改成\`c\_id\`，\`付款时间\`修改为\`paytime\`，\`交易状态\`修改成了\`status\`。

我们后续的查询都是基于筛选后的数据，因此这里新建一个表sheet2去存储查询结果。

-- 步骤一：筛选订单状态为”交易成功“的行，并输出表sheet2：用户昵称[c_id]、付款时间[paytime]
    CREATE table sheet2 as
    SELECT c_id,paytime
    FROM sheet1
    WHERE `status`='交易成功';

### 6.3 计算首单时间 ###

此步骤只需要对用户昵称进行groupby，再求最小值即可，不多赘述。

-- 步骤二：找出每个用户的首单时间
    SELECT c_id,min(paytime) f_time
    FROM sheet2
    GROUP BY c_id;

### 6.4 计算月份差，重采样首付时间 ###

此步骤中会涉及到两个重要的函数：

1.  与Excel类似，MySQL对时间戳重采样也是用YEAR()、MONTH()等函数
2.  用于计算日期差的TIMESTAMPDIFF，具体语法为TIMESTAMPDIFF(频率，起始时间，结束时间)

当然在计算月份差之前，需要以用户名称作为依据，拼接用户的首单时间。但由于数据量较大，拼接需要重复遍历整个表很多遍，耗时很长。而当前查询的结果并不是最终结果，我们只需要确保查询语句没有问题即可。因此我们引入分页查询（LIMIT语句）来限制查询结果的行数，从而提高查询效率。

-- 步骤三：求出月份差，对首付时间进行重采样
    SELECT 
     a.c_id,
     b.f_time,
     TIMESTAMPDIFF(MONTH,b.f_time,a.paytime) m_diff,
     CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月") y_m
    FROM sheet2 a
    LEFT JOIN (
     SELECT c_id,min(paytime) f_time
     FROM sheet2
     GROUP BY c_id
    --  LIMIT测试时用，为了提升效率
     LIMIT 0,7000
    ) b on a.c_id=b.c_id
    -- 同样是为了提升效率而使用
    WHERE b.f_time is NOT NULL;

### 6.5 计算留存量 ###

我们只需要将前面的三个步骤作为子查询，并以\`首单时间\`以及\`月份差\`作为条件对数据进行分组，用DISTINCT筛选出唯一的\`用户ID\`即可求出我们所需的留存量。这里创建一个名为cohort的表储存查询结果。

-- 步骤四：通过首付时间和月份差进行分组，求出唯一的用户id数,并输出为表[cohort]
    CREATE table cohort as
    SELECT c.y_m "首付月份",c.m_diff"月份差",COUNT(DISTINCT c.c_id) "留存量"
    FROM (
    SELECT 
     a.c_id,
     b.f_time,
     TIMESTAMPDIFF(MONTH,b.f_time,a.paytime) m_diff,
     CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月") y_m
    from sheet2 a
    LEFT JOIN (
     SELECT c_id,min(paytime) f_time
     FROM sheet2
     GROUP BY c_id
    ) b on a.c_id=b.c_id
    -- 为了提升效率而使用
    WHERE b.f_time is NOT NULL
    ) c
    GROUP BY c.y_m,c.m_diff;

查询结果如下。相比于步骤三，我们这里删除了用于分页查询的LIMIT语句，但依然保留了WHERE b.f\_time is NOT NULL。这里的where语句并没有筛选任何一行，但有无这一句的查询效率相差非常大，分别为0.739s和125.649s。这里涉及到SQL优化的问题，有机会以后专门整理一篇文章分享给各位。

![format_png 19][]

### 6.6 计算留存率 ###

我们有了留存量的表格，计算留存率便非常容易，只要让每一期的留存率都除以首月的留存率即可。

-- 步骤五：计算留存率（基础版）
    SELECT c.`首付月份`,CONCAT(ROUND((c.`留存量`/m.`留存量`)*100,2),"%") 留存率
    FROM cohort c
    LEFT JOIN (
     SELECT 首付月份,留存量
     FROM cohort
     where `月份差`=0
    ) m 
    on c.`首付月份`=m.`首付月份`;

![format_png 20][]

留存率结果如上图，但结果并不利于观察和分析，因此接下来的进阶版将通过case when语句，加入亿点细节来优化下展示格式。

-- 步骤五：计算留存率（进阶版）
    SELECT 
     n.`首付月份`,
     AVG(n.`留存量`) "本月新增",
     CONCAT(sum(n.`+1月`),"%") "+1月",
     CONCAT(sum(n.`+2月`),"%") "+2月",
     CONCAT(sum(n.`+3月`),"%") "+3月",
     CONCAT(sum(n.`+4月`),"%") "+4月",
     CONCAT(sum(n.`+5月`),"%") "+5月"
    FROM(
     # 一级子查询：转置表格，将月份差作为列名
     SELECT 
      a.`首付月份`,
      a.`留存量`,
      CASE a.`月份差` when 1 THEN a.`留存率` ELSE 0 END "+1月",
      CASE a.`月份差` when 2 THEN a.`留存率` ELSE 0 END "+2月",
      CASE a.`月份差` when 3 THEN a.`留存率` ELSE 0 END "+3月",
      CASE a.`月份差` when 4 THEN a.`留存率` ELSE 0 END "+4月",
      CASE a.`月份差` when 5 THEN a.`留存率` ELSE 0 END "+5月"
     FROM(
      # 二级子查询：计算留存率
      SELECT a.`首付月份`,b.`留存量`,a.`月份差`,ROUND((a.`留存量`/b.`留存量`)*100,2) 留存率
      FROM cohort a
      LEFT JOIN (
       # 三级子查询：查询首月用户量
       SELECT `首付月份`,`留存量`
       FROM cohort
       WHERE cohort.`月份差`=0
     ) b
     on a.`首付月份`=b.`首付月份`
     ) a
    ) n
    GROUP BY n.`首付月份`;

![format_png 21][]

正如“分析方法确定”环节中提及，Excel中通过自然月去划分月份的偏移量，而MySQL中则直接将付款时间和首单时间相减。我们使用的TIMESTAMPDIFF函数的逻辑为结束日期的DAY参数大于等于起始日期的DAY参数时，月份差才会+N。即：

*  起始日期为9月30日，终止日期大于等于10月30日时，月份差才不为0。
 *  起始日期为10月31日，终止日期大于等于12月1日时，月份差才不为0。
 *  起始日期为1月30或31日，终止日期大于等于3月1日时，月份差才不为0，平/闰年一样。

对比可知，算法1中留存率会出现小幅度的回升，但在算法2则随时间增加而递减。由此可知，不同的计算标准对结果影响非常大，可能会造成误判，因此**数据分析中确认标准非常重要**。

## 七、Python实现 ##

作为压轴，肯定是路子野、效率高、操作骚的Python。得益于pandas强大的分组功能及非常多的奇技淫巧，Python的实现相比于Excel或MySQL会更加简单，但实现路径会比较抽象，需要注入一点想象力。按惯例先盘实现思路：

1.  数据清洗：删除订单状态为”交易失败“的行
2.  拼接首单时间：计算每个用户首单时间，并拼接为新的dataframe
3.  求留存量：对数据分组，并求唯一的客户昵称数
4.  求留存率：用首月留存量除整个留存量的dataframe

### 7.1 数据清洗 ###

此步骤只需要调用drop函数即可完成删除，难度不大，核心是找到订单状态为“交易失败”的所在行的行索引。

df.drop(index=df[df['订单状态'] == '交易失败'].index, axis=1, inplace=True)

### 7.2 拼接首单时间 ###

调用分组聚合函数groupby以及数据拼接函数merge便能完成我们的需求，都是常规操作

df_f = df.groupby(by='客户昵称')['付款时间'].min().to_frame(name='首单时间')
    df_f.reset_index(inplace=True)
    
    # 合并新的dataframe，包含客户昵称，付款时间，首单时间
    df_f = df[['客户昵称', '付款时间']].merge(df_f)

![format_png 22][]

### 7.3 计算留存量 ###

接下来就是见证骚操作的时刻了。在pandas的分组聚合当中，对时间戳进行重采样不要太简单，只需要修改freq参数即可。核心思路：

*  利用groupby函数对首单时间和付款时间进行分组，获得复合索引的series
 *  利用pd.Grouper对首单时间和付款时间进行重采样
 *  利用nunique函数求不重复值个数
 *  利用unstack函数将复合索引的series转为dataframe

# 通过首单时间及付款时间进行分组，获得每个时间段的不重复客户数量
    df_f = df_f.groupby(by=[pd.Grouper(key='首单时间', freq='m'), pd.Grouper(key='付款时间', freq='m')])['客户昵称'].nunique()
    
    # 将复合索引的series转置为dataframe
    df_f = df_f.unstack()

![format_png 23][]

获得的结果如上图。如果有看Excel或MySQL实现方式的看官可能有会有疑问，为什么python不用计算月份差而其他两种需要。那是因为这种分组方式，首月用户量都分布在表格的对角线上，在Excel的数据透视表或者MySQL当中，等差地移动单元格并不是一件容易的事，但对于Python来说，不过是一个for循环。

for i in range(len(df_f.index)):
     df_f.iloc[i] = df_f.iloc[i].shift(periods=-i)
      
    # 重置columns
    df_f.columns = ['本月新增', '+1月', '+2月', '+3月', '+4月', '+5月']

shift函数常用于移动dataframe或series，具体参数如下：

*  axis：针对dataframe：\{0:"向下移动" , 1:"向右移动"\}，针对series：向下移动
 *  periods：移动的步长，当periods为负时，向上/左移动
 *  fill\_value：补充NaN的值

得到如下结果

![format_png 24][]

### 7.4 计算留存率 ###

尽管pandas非常强大，但此步骤中，如通过df\_f/df\_f\[‘首月’\]计算，结果是全为NaN的dataframe。不过我们可以使用apply函数遍历dataframe来实现。

df_1 = df_f.apply(count_per, axis=0, args=(df_f['本月新增'],))
    df_1['本月新增']=df_f['本月新增']
    
    def count_per(s, dx):
        a=[f'{i}%' if str(i)!='nan' else 0 for i in round((s / dx) * 100, 2)]
        return a

作为pandas中最好用的函数之一，apply的详细用法各位参考官方文档即可，这里仅提三点注意事项：

1.  在apply中调用的函数不需要加括号，仅提供函数名即可
2.  向apply调用的函数传递变量，只需赋值给args，如果仅传递一个变量，要在变量后加上 “，”号
3.  调用的函数当中第0个参数由self提供，从第一个变量开始才是args中的变量，即上面函数中，dx对应的是df\_f\['本月新增'\]

获得结果如下，完美完成任务：

![format_png 1][]

## 八、复盘总结 ##

先回顾下同期群分析的重点

*  同期群分析指将用户进行同期群划分后，对比不同同期群组用户的相同指标的分析方法
 *  同期群分析是产品数据分析的核心，能细致地监控用户行为，衡量用户价值
 *  时间的划分标准对分析结果影响很大，确定标准非常重要

最后总结下本次ESP实现方式中分别涉及到的重要知识点

<table> 
 <thead> 
  <tr> 
   <th>工具</th> 
   <th>重要知识点</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Excel</td> 
   <td>- 数据透视表<br>- VLOOKUP函数<br>- 时间重采样函数：YEAR、MONTH<br>- 时间差函数：DATEDIF<br>- 条件函数：IF、COUNTIFS</td> 
  </tr> 
  <tr> 
   <td>MySQL</td> 
   <td>- 时间重采样函数：YEAR、MONTH<br>- 时间差函数：TIMESTAMPDIFF<br>- 流程控制函数：CASE WHEN</td> 
  </tr> 
  <tr> 
   <td>Python</td> 
   <td>- 分组api：pd.Grouper()<br>- 不重复计数：nunique()<br>- 元素移动：shift()<br>- apply()</td> 
  </tr> 
 </tbody> 
</table>

那么本次的分享到这里便结束了。至于同期群分析如何应用到实际业务问题中，我们留到下一篇商业分析实战再详细讲解。（如果写出来的话，一定不会鸽，一定不会~鸽！）

我是HeoiJin，不要期待有下篇~

## 参考资料 ##

1.  Python数据分析实战 | 经典的同期群分析（附实战数据和代码）
2.  数据分析里经常听到的同期群，到底是个啥？
3.  同期群分析（Cohort Analysis）：https://www.cnblogs.com/HuZihu/p/11412288.html

如果大家对本文完整代码感兴趣，扫码关注**「凹凸数据」**后台回复“**同期群**”

![format_png 25][] 后台回复“ **同期群**”获取数据&代码

## 凹凸福利 ##

????《**人工智能数学基础**》数学思维的体操、学习人工智能的基石！通过205个典型范例+185个推导公式+37道经典习题+40个学习难点提示+19个项目，进行数学思想和解决方案的有效实践。点击下图可看详情/购买！????

![format_png 26][]

感谢北京大学出版社支持！**周日**统一兑换！后台回复“**读书会**”进群，获取最新书籍信息！后台“**左下菜****单栏**”轻松赚币，免费包邮带回家！

[format_png]: /images/20221120/b1526dbb8bb24668a2ad0289253a4441.png
[format_png 1]: /images/20221120/79708a8835e442d3b65fa8d811c5f064.png
[format_png 2]: /images/20221120/b0adfad1b86642fab9f81f36798e473b.png
[format_png 3]: /images/20221120/62d9d8ab48314c1ba182ad16d9a18646.png
[format_png 4]: /images/20221120/aa341c5de1d94bc3b8b62635bf4e7764.png
[format_png 5]: /images/20221120/5ef70fbb14f2439a90e994a404733eae.png
[format_png 6]: /images/20221120/9d8c20621e9c401589849f02ed27a4df.png
[format_png 7]: /images/20221120/b4bf98e56b7a46738172a72765c1f303.png
[format_png 8]: /images/20221120/2a061cb75ff34ddcac81f3e9ef44f4db.png
[format_png 9]: /images/20221120/4461db50a1634a8982b1d1fbd67c1be9.png
[format_png 10]: /images/20221120/47c35d430fba4ff3a6f4d9283bbbd32e.png
[format_png 11]: /images/20221120/dfef584de5ef47569133697c3d9eeea5.png
[format_png 12]: /images/20221120/2de2dc1500ea49c2bf8a4fd5c246132b.png
[format_png 13]: /images/20221120/666c370ebb3f4aceb6a1e2a45d15b97c.png
[format_png 14]: /images/20221120/53775bccd674405ebfa512ad6e0ace6a.png
[format_png 15]: /images/20221120/23ee581838204d4ca823d5bc442dc6a3.png
[format_png 16]: /images/20221120/b5145e8a25b74cb595bfe1560beee102.png
[format_png 17]: /images/20221120/1f962c034699450998bb4ce3aa0d9019.png
[format_png 18]: /images/20221120/36a794024e364b76b42df853da4bbb9e.png
[format_png 19]: /images/20221120/52f74624353e43998b0163dd16ed9278.png
[format_png 20]: /images/20221120/61b3fd73c85a45d5aa7196be764ddbda.png
[format_png 21]: /images/20221120/7127b4afc1c54e9aaa95800bc3b430b8.png
[format_png 22]: /images/20221120/72a4c0691642438888f150579f60d1ea.png
[format_png 23]: /images/20221120/a53d252179e14dce9e0f6bce448c08d4.png
[format_png 24]: /images/20221120/029989e23ece465980f66e305bbc0d81.png
[format_png 25]: /images/20221120/3b3661edd4c9433c93e1d923e3b8b6e3.png
[format_png 26]: /images/20221120/6af515c568c54a37b0ab075e6069c578.png