使用Pandas和Matplotlib進(jìn)行數(shù)據(jù)清洗與可視化的實(shí)現(xiàn)步驟

更新時(shí)間：2024年08月19日 09:52:29 作者：一鍵難忘

在數(shù)據(jù)科學(xué)領(lǐng)域,數(shù)據(jù)清洗和可視化是構(gòu)建數(shù)據(jù)驅(qū)動(dòng)解決方案的重要步驟,本文將詳細(xì)介紹如何使用Pandas進(jìn)行數(shù)據(jù)清洗,并結(jié)合Matplotlib進(jìn)行可視化,文章通過實(shí)際代碼示例講解的非常詳細(xì),需要的朋友可以參考下

前言

在數(shù)據(jù)科學(xué)領(lǐng)域，數(shù)據(jù)清洗和可視化是構(gòu)建數(shù)據(jù)驅(qū)動(dòng)解決方案的重要步驟。本文將詳細(xì)介紹如何使用Pandas進(jìn)行數(shù)據(jù)清洗，并結(jié)合Matplotlib進(jìn)行可視化。通過實(shí)際代碼示例，我們將處理一個(gè)包含缺失值、不一致格式和噪聲數(shù)據(jù)的示例數(shù)據(jù)集，最終將其轉(zhuǎn)換為可視化友好的形式。

1. 準(zhǔn)備工作

在開始之前，我們需要安裝必要的Python庫。如果尚未安裝，可以使用以下命令安裝：

pip install pandas matplotlib

導(dǎo)入所需的庫：

import pandas as pd
import matplotlib.pyplot as plt

2. 加載數(shù)據(jù)

我們使用一個(gè)包含虛構(gòu)銷售數(shù)據(jù)的CSV文件作為示例數(shù)據(jù)集。假設(shè)數(shù)據(jù)如下：

data = {
    'Date': ['2024/01/01', '2024/01/02', '2024-01-03', '2024.01.04', None],
    'Product': ['A', 'B', 'C', 'A', 'C'],
    'Sales': [100, 200, None, 150, 300],
    'Revenue': [1000, None, 1500, 1200, 2500]
}

df = pd.DataFrame(data)
print(df)

初始數(shù)據(jù)框架輸出為：

         Date Product  Sales  Revenue
0  2024/01/01       A  100.0   1000.0
1  2024/01/02       B  200.0      NaN
2  2024-01-03       C    NaN   1500.0
3  2024.01.04       A  150.0   1200.0
4        None       C  300.0   2500.0

3. 數(shù)據(jù)清洗

數(shù)據(jù)清洗的目標(biāo)是確保數(shù)據(jù)的一致性、完整性和準(zhǔn)確性。對(duì)于上述數(shù)據(jù)，我們將進(jìn)行以下清洗步驟：

3.1 日期格式統(tǒng)一化

不同的日期格式會(huì)導(dǎo)致分析時(shí)的混淆。我們使用pd.to_datetime將日期列轉(zhuǎn)換為標(biāo)準(zhǔn)格式：

df['Date'] = pd.to_datetime(df['Date'], errors='coerce')
print(df)

更新后的數(shù)據(jù)框架：

        Date Product  Sales  Revenue
0 2024-01-01       A  100.0   1000.0
1 2024-01-02       B  200.0      NaN
2 2024-01-03       C    NaN   1500.0
3 2024-01-04       A  150.0   1200.0
4        NaT       C  300.0   2500.0

可以看到，日期格式已統(tǒng)一，且無法解析的值被設(shè)置為NaT。

3.2 處理缺失值

缺失值可能會(huì)影響數(shù)據(jù)分析的準(zhǔn)確性。我們可以根據(jù)情況選擇刪除、填充或插值缺失值。這里我們將采用中位數(shù)填充的方式處理Sales和Revenue列的缺失值：

df['Sales'].fillna(df['Sales'].median(), inplace=True)
df['Revenue'].fillna(df['Revenue'].median(), inplace=True)
print(df)

處理后的數(shù)據(jù)框架：

        Date Product  Sales  Revenue
0 2024-01-01       A  100.0   1000.0
1 2024-01-02       B  200.0   1350.0
2 2024-01-03       C  150.0   1500.0
3 2024-01-04       A  150.0   1200.0
4        NaT       C  300.0   2500.0

3.3 刪除無效行

含有無效日期的行對(duì)時(shí)間序列分析沒有幫助，可以刪除：

df.dropna(subset=['Date'], inplace=True)
print(df)

最終的數(shù)據(jù)框架：

        Date Product  Sales  Revenue
0 2024-01-01       A  100.0   1000.0
1 2024-01-02       B  200.0   1350.0
2 2024-01-03       C  150.0   1500.0
3 2024-01-04       A  150.0   1200.0

4. 數(shù)據(jù)可視化

經(jīng)過清洗后的數(shù)據(jù)可以用于進(jìn)一步分析和可視化。這里我們使用Matplotlib生成一些基本的可視化圖表。

4.1 銷售趨勢圖

首先，我們繪制產(chǎn)品銷售的時(shí)間序列圖，以觀察每日的銷售趨勢：

plt.figure(figsize=(10, 6))
plt.plot(df['Date'], df['Sales'], marker='o')
plt.title('Sales Trend Over Time')
plt.xlabel('Date')
plt.ylabel('Sales')
plt.grid(True)
plt.show()

4.2 產(chǎn)品銷售對(duì)比圖

我們還可以繪制不同產(chǎn)品的總銷售額，以直觀對(duì)比各產(chǎn)品的表現(xiàn)：

sales_by_product = df.groupby('Product')['Sales'].sum()
sales_by_product.plot(kind='bar', color=['blue', 'green', 'red'], figsize=(8, 6))
plt.title('Total Sales by Product')
plt.xlabel('Product')
plt.ylabel('Total Sales')
plt.show()

5. 深度分析

為了更深入地理解數(shù)據(jù)，我們可以結(jié)合數(shù)據(jù)清洗前后的結(jié)果，分析數(shù)據(jù)中的噪聲來源以及數(shù)據(jù)清洗對(duì)可視化結(jié)果的影響。

首先，觀察到清洗前的數(shù)據(jù)存在格式不一致和缺失值，這不僅影響了可視化的準(zhǔn)確性，還可能誤導(dǎo)分析結(jié)果。例如，原始數(shù)據(jù)中日期格式的不一致會(huì)導(dǎo)致時(shí)間序列圖的錯(cuò)誤排序，而缺失值的處理方式（如填充或刪除）會(huì)顯著影響聚合結(jié)果。

通過清洗數(shù)據(jù)，我們統(tǒng)一了日期格式，處理了缺失值，使數(shù)據(jù)更加一致和可靠。最終生成的可視化圖表也因此更加清晰準(zhǔn)確，反映了數(shù)據(jù)的真實(shí)趨勢和產(chǎn)品銷售的實(shí)際情況。

6. 深度分析

通過前面的數(shù)據(jù)清洗和可視化步驟，我們可以進(jìn)行更深入的分析，探討數(shù)據(jù)中的潛在問題和改進(jìn)方向。以下是一些關(guān)鍵的分析點(diǎn)和擴(kuò)展思路：

6.1 數(shù)據(jù)清洗的影響

清洗數(shù)據(jù)是數(shù)據(jù)分析的基礎(chǔ)，清洗前后的數(shù)據(jù)對(duì)分析結(jié)果有顯著影響。我們可以通過對(duì)比清洗前后的數(shù)據(jù)和圖表來分析數(shù)據(jù)清洗的效果。例如，比較未清洗和清洗后的銷售趨勢圖，可以更好地理解清洗步驟如何修正數(shù)據(jù)問題并改進(jìn)可視化結(jié)果。

6.2 銷售趨勢的季節(jié)性分析

通過時(shí)間序列分析，我們可以檢查銷售數(shù)據(jù)是否存在季節(jié)性波動(dòng)。以下是如何進(jìn)行季節(jié)性分解的代碼示例：

from statsmodels.tsa.seasonal import seasonal_decompose

# 將日期設(shè)置為索引
df.set_index('Date', inplace=True)

# 按月匯總銷售數(shù)據(jù)
monthly_sales = df['Sales'].resample('M').sum()

# 進(jìn)行季節(jié)性分解
result = seasonal_decompose(monthly_sales, model='additive')

# 繪制分解結(jié)果
plt.figure(figsize=(12, 8))
plt.subplot(411)
plt.plot(result.observed, label='Observed')
plt.title('Seasonal Decomposition')
plt.legend(loc='upper left')

plt.subplot(412)
plt.plot(result.trend, label='Trend')
plt.legend(loc='upper left')

plt.subplot(413)
plt.plot(result.seasonal, label='Seasonal')
plt.legend(loc='upper left')

plt.subplot(414)
plt.plot(result.resid, label='Residual')
plt.legend(loc='upper left')

plt.tight_layout()
plt.show()

季節(jié)性分解可以幫助我們識(shí)別數(shù)據(jù)中的長期趨勢、周期性波動(dòng)和隨機(jī)噪聲，從而對(duì)銷售數(shù)據(jù)的季節(jié)性波動(dòng)有更深刻的理解。

6.3 產(chǎn)品銷售的時(shí)間序列預(yù)測

我們可以使用時(shí)間序列預(yù)測模型來預(yù)測未來的銷售趨勢。以下是使用statsmodels庫進(jìn)行簡單的ARIMA模型預(yù)測的代碼示例：

from statsmodels.tsa.arima_model import ARIMA

# 定義ARIMA模型
model = ARIMA(monthly_sales, order=(5, 1, 0))  # 選擇(p, d, q)參數(shù)

# 擬合模型
model_fit = model.fit(disp=0)

# 預(yù)測未來6個(gè)月的銷售
forecast = model_fit.forecast(steps=6)
forecast_index = pd.date_range(start=monthly_sales.index[-1] + pd.DateOffset(1), periods=6, freq='M')

# 創(chuàng)建預(yù)測結(jié)果數(shù)據(jù)框
forecast_df = pd.DataFrame(forecast[0], index=forecast_index, columns=['Forecast'])
forecast_df.plot(figsize=(10, 6))
plt.title('Sales Forecast for the Next 6 Months')
plt.xlabel('Date')
plt.ylabel('Sales')
plt.grid(True)
plt.show()

ARIMA模型能夠基于歷史數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測，這有助于企業(yè)制定未來的銷售策略。

6.4 數(shù)據(jù)的分組分析

對(duì)數(shù)據(jù)進(jìn)行分組分析可以揭示不同類別或群體之間的差異。例如，我們可以對(duì)不同產(chǎn)品的銷售數(shù)據(jù)進(jìn)行更詳細(xì)的分析：

# 按產(chǎn)品匯總銷售數(shù)據(jù)
product_sales = df.groupby('Product')['Sales'].sum()

# 繪制產(chǎn)品銷售的餅圖
product_sales.plot(kind='pie', autopct='%1.1f%%', figsize=(8, 8))
plt.title('Sales Distribution by Product')
plt.ylabel('')
plt.show()

通過餅圖，我們可以直觀地看到各個(gè)產(chǎn)品在總銷售額中的占比，幫助企業(yè)了解各產(chǎn)品的銷售貢獻(xiàn)。

6.5 數(shù)據(jù)異常值檢測

檢測數(shù)據(jù)中的異常值可以揭示潛在的錯(cuò)誤或特殊事件。我們可以使用Z-score方法來識(shí)別異常值：

from scipy import stats

# 計(jì)算Z-score
z_scores = stats.zscore(df[['Sales', 'Revenue']])
abs_z_scores = np.abs(z_scores)
threshold = 3  # Z-score閾值

# 找到異常值
outliers = (abs_z_scores > threshold).all(axis=1)
outliers_df = df[outliers]

print("異常值記錄：")
print(outliers_df)

識(shí)別異常值有助于我們發(fā)現(xiàn)數(shù)據(jù)中的潛在問題或異常事件，從而決定是否需要進(jìn)一步處理或調(diào)查。

6.6 數(shù)據(jù)的相關(guān)性分析

了解不同變量之間的相關(guān)性有助于揭示數(shù)據(jù)中的關(guān)系。以下是計(jì)算銷售與收入之間相關(guān)性的代碼示例：

correlation = df[['Sales', 'Revenue']].corr()
print("銷售與收入的相關(guān)性：")
print(correlation)

# 繪制熱力圖
import seaborn as sns
plt.figure(figsize=(6, 4))
sns.heatmap(correlation, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('Correlation Heatmap')
plt.show()

相關(guān)性分析可以幫助我們理解變量之間的關(guān)系，并為進(jìn)一步的建模和分析提供基礎(chǔ)。

通過這些深度分析，我們可以獲得對(duì)數(shù)據(jù)的全面理解，揭示潛在的模式和趨勢，從而為數(shù)據(jù)驅(qū)動(dòng)的決策提供支持。

7. 高級(jí)可視化技術(shù)

除了基本的圖表，Matplotlib和其他Python可視化庫還提供了更多高級(jí)的可視化技術(shù)，幫助我們更深入地分析數(shù)據(jù)。以下是一些高級(jí)可視化技術(shù)的應(yīng)用示例。

7.1 直方圖與密度圖

直方圖用于展示數(shù)據(jù)的分布情況，而密度圖則顯示數(shù)據(jù)的概率密度分布。這對(duì)于了解數(shù)據(jù)的分布特征非常有用：

plt.figure(figsize=(12, 6))

# 直方圖
plt.subplot(1, 2, 1)
plt.hist(df['Sales'].dropna(), bins=10, color='skyblue', edgecolor='black')
plt.title('Histogram of Sales')
plt.xlabel('Sales')
plt.ylabel('Frequency')

# 密度圖
plt.subplot(1, 2, 2)
sns.kdeplot(df['Sales'].dropna(), fill=True, color='skyblue')
plt.title('Density Plot of Sales')
plt.xlabel('Sales')
plt.ylabel('Density')

plt.tight_layout()
plt.show()

直方圖和密度圖結(jié)合使用，可以全面了解數(shù)據(jù)的分布特征和密度分布情況。

7.2 散點(diǎn)圖矩陣

散點(diǎn)圖矩陣用于展示多個(gè)變量之間的關(guān)系，適合用于多變量分析：

import seaborn as sns

# 選擇相關(guān)變量
subset_df = df[['Sales', 'Revenue']]

# 繪制散點(diǎn)圖矩陣
sns.pairplot(subset_df)
plt.title('Pairplot of Sales and Revenue')
plt.show()

散點(diǎn)圖矩陣可以幫助識(shí)別變量之間的關(guān)系，例如線性關(guān)系、非線性關(guān)系和潛在的異常值。

7.3 熱力圖與時(shí)序熱力圖

熱力圖用于展示數(shù)據(jù)的二維分布情況，可以結(jié)合時(shí)序數(shù)據(jù)繪制時(shí)序熱力圖：

# 創(chuàng)建一個(gè)數(shù)據(jù)透視表
pivot_table = df.pivot_table(values='Sales', index=df.index.month, columns=df.index.year, aggfunc='sum')

# 繪制熱力圖
plt.figure(figsize=(10, 6))
sns.heatmap(pivot_table, cmap='YlGnBu', annot=True, fmt='.0f')
plt.title('Monthly Sales Heatmap')
plt.xlabel('Year')
plt.ylabel('Month')
plt.show()

時(shí)序熱力圖可以幫助我們觀察不同時(shí)間段內(nèi)的數(shù)據(jù)模式和趨勢。

7.4 動(dòng)態(tài)可視化

動(dòng)態(tài)可視化能夠展示數(shù)據(jù)隨時(shí)間變化的過程。以下是一個(gè)簡單的動(dòng)態(tài)時(shí)間序列動(dòng)畫示例：

import matplotlib.animation as animation

fig, ax = plt.subplots(figsize=(10, 6))

def update(num):
    ax.clear()
    data_subset = df['Sales'][:num]
    ax.plot(data_subset.index, data_subset, marker='o', color='skyblue')
    ax.set_title(f'Sales Trend up to {data_subset.index[-1].strftime("%Y-%m-%d")}')
    ax.set_xlabel('Date')
    ax.set_ylabel('Sales')
    ax.grid(True)

ani = animation.FuncAnimation(fig, update, frames=len(df), repeat=False)
plt.show()

通過動(dòng)態(tài)可視化，我們可以更直觀地觀察數(shù)據(jù)隨時(shí)間的變化過程，增強(qiáng)分析的交互性。

8. 進(jìn)一步的數(shù)據(jù)分析與建模

除了數(shù)據(jù)清洗和可視化，還可以結(jié)合其他分析和建模技術(shù)深入探討數(shù)據(jù)。以下是一些可能的擴(kuò)展分析方法：

8.1 數(shù)據(jù)聚類分析

通過聚類分析可以發(fā)現(xiàn)數(shù)據(jù)中的自然群體。例如，使用K-means聚類分析銷售數(shù)據(jù)：

from sklearn.cluster import KMeans

# 選擇用于聚類的特征
features = df[['Sales', 'Revenue']].dropna()

# 執(zhí)行K-means聚類
kmeans = KMeans(n_clusters=3, random_state=0).fit(features)
df['Cluster'] = kmeans.labels_

# 繪制聚類結(jié)果
plt.figure(figsize=(10, 6))
plt.scatter(df['Sales'], df['Revenue'], c=df['Cluster'], cmap='viridis', marker='o')
plt.title('K-means Clustering of Sales and Revenue')
plt.xlabel('Sales')
plt.ylabel('Revenue')
plt.colorbar(label='Cluster')
plt.show()

K-means聚類可以幫助我們發(fā)現(xiàn)數(shù)據(jù)中的不同群體，從而在銷售策略上進(jìn)行有針對(duì)性的調(diào)整。

8.2 時(shí)間序列分析與預(yù)測

時(shí)間序列分析不僅可以揭示歷史數(shù)據(jù)的趨勢，還可以用于未來的預(yù)測。例如，結(jié)合SARIMA模型進(jìn)行預(yù)測：

from statsmodels.tsa.statespace.sarimax import SARIMAX

# 定義SARIMA模型
sarima_model = SARIMAX(monthly_sales, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))

# 擬合模型
sarima_fit = sarima_model.fit(disp=False)

# 預(yù)測未來6個(gè)月的銷售
sarima_forecast = sarima_fit.get_forecast(steps=6)
forecast_index = pd.date_range(start=monthly_sales.index[-1] + pd.DateOffset(1), periods=6, freq='M')
forecast_df = pd.DataFrame(sarima_forecast.predicted_mean.values, index=forecast_index, columns=['Forecast'])

# 繪制預(yù)測結(jié)果
plt.figure(figsize=(10, 6))
plt.plot(monthly_sales, label='Historical Sales')
plt.plot(forecast_df, label='SARIMA Forecast', color='red')
plt.title('Sales Forecast using SARIMA')
plt.xlabel('Date')
plt.ylabel('Sales')
plt.legend()
plt.grid(True)
plt.show()

SARIMA模型能夠處理季節(jié)性時(shí)間序列數(shù)據(jù)，并提供更加準(zhǔn)確的預(yù)測結(jié)果。

8.3 數(shù)據(jù)相關(guān)性與特征工程

在構(gòu)建機(jī)器學(xué)習(xí)模型時(shí)，數(shù)據(jù)的特征工程和相關(guān)性分析非常重要。例如，通過計(jì)算各特征之間的相關(guān)性，我們可以選擇最相關(guān)的特征進(jìn)行模型訓(xùn)練：

# 計(jì)算相關(guān)性矩陣
correlation_matrix = df.corr()

# 繪制相關(guān)性熱力圖
plt.figure(figsize=(8, 6))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('Correlation Matrix')
plt.show()

特征工程能夠幫助我們選擇對(duì)模型預(yù)測有重要影響的特征，從而提高模型的性能。

9. 數(shù)據(jù)處理的實(shí)踐經(jīng)驗(yàn)

在實(shí)際的數(shù)據(jù)分析過程中，我們可能會(huì)遇到各種挑戰(zhàn)，例如數(shù)據(jù)質(zhì)量問題、處理大型數(shù)據(jù)集的性能問題等。以下是一些實(shí)踐經(jīng)驗(yàn)：

數(shù)據(jù)質(zhì)量：確保數(shù)據(jù)的完整性和準(zhǔn)確性是數(shù)據(jù)分析的基礎(chǔ)。處理缺失值、異常值和不一致的數(shù)據(jù)格式是數(shù)據(jù)清洗的關(guān)鍵步驟。
性能優(yōu)化：對(duì)于大規(guī)模數(shù)據(jù)集，使用高效的數(shù)據(jù)處理和可視化技術(shù)（如Dask、Vaex等）可以顯著提高分析效率。
可視化設(shè)計(jì)：選擇合適的可視化類型和設(shè)計(jì)風(fēng)格能夠更清晰地傳達(dá)數(shù)據(jù)的關(guān)鍵信息，避免信息過載。

通過不斷優(yōu)化數(shù)據(jù)處理和分析流程，我們能夠提高數(shù)據(jù)分析的效率和準(zhǔn)確性，獲得更有價(jià)值的洞察。

總結(jié)

在這篇文章中，我們詳細(xì)探討了使用Python的Pandas和Matplotlib進(jìn)行數(shù)據(jù)清洗與可視化的全過程。以下是主要內(nèi)容的總結(jié)：

數(shù)據(jù)清洗:
- 缺失值處理：使用dropna()和fillna()方法處理缺失數(shù)據(jù)。
- 數(shù)據(jù)類型轉(zhuǎn)換：將列轉(zhuǎn)換為合適的數(shù)據(jù)類型（如日期時(shí)間格式）。
- 異常值處理：識(shí)別和處理異常值，確保數(shù)據(jù)的準(zhǔn)確性。
基本數(shù)據(jù)可視化:
- 時(shí)間序列圖：展示數(shù)據(jù)隨時(shí)間的變化趨勢，幫助理解銷售數(shù)據(jù)的長期趨勢。
- 柱狀圖和折線圖：用于展示不同產(chǎn)品的銷售對(duì)比和趨勢分析。
- 餅圖：直觀展示不同類別在總體數(shù)據(jù)中的占比。
高級(jí)可視化技術(shù):
- 直方圖與密度圖：展示數(shù)據(jù)的分布情況和密度分布，幫助理解數(shù)據(jù)的集中趨勢。
- 散點(diǎn)圖矩陣：分析多變量之間的關(guān)系，發(fā)現(xiàn)變量間的相關(guān)性。
- 熱力圖與時(shí)序熱力圖：展示數(shù)據(jù)的二維分布和時(shí)序模式，幫助識(shí)別數(shù)據(jù)的周期性和趨勢。
- 動(dòng)態(tài)可視化：通過動(dòng)畫展示數(shù)據(jù)隨時(shí)間變化的過程，增強(qiáng)數(shù)據(jù)分析的互動(dòng)性。
深度數(shù)據(jù)分析:
- 季節(jié)性分析：使用季節(jié)性分解技術(shù)識(shí)別數(shù)據(jù)中的季節(jié)性趨勢。
- 預(yù)測建模：使用ARIMA和SARIMA模型進(jìn)行時(shí)間序列預(yù)測，幫助制定未來的策略。
- 數(shù)據(jù)聚類：通過K-means等聚類算法識(shí)別數(shù)據(jù)中的自然群體。
- 相關(guān)性分析：計(jì)算特征之間的相關(guān)性，優(yōu)化特征選擇和模型性能。
實(shí)踐經(jīng)驗(yàn):
- 數(shù)據(jù)質(zhì)量管理：確保數(shù)據(jù)的完整性和準(zhǔn)確性是分析的基礎(chǔ)。
- 性能優(yōu)化：對(duì)于大規(guī)模數(shù)據(jù)集，采用高效的數(shù)據(jù)處理和可視化技術(shù)。
- 可視化設(shè)計(jì)：選擇合適的可視化工具和設(shè)計(jì)風(fēng)格，傳達(dá)數(shù)據(jù)的關(guān)鍵信息。

通過以上步驟和技術(shù)，我們可以從原始數(shù)據(jù)中提取有價(jià)值的信息，進(jìn)行深入的分析，并生成有助于決策的數(shù)據(jù)可視化結(jié)果。這些方法不僅提高了數(shù)據(jù)分析的效率，也幫助我們更好地理解和利用數(shù)據(jù)中的潛在信息。

以上就是使用Pandas和Matplotlib進(jìn)行數(shù)據(jù)清洗與可視化的實(shí)現(xiàn)步驟的詳細(xì)內(nèi)容，更多關(guān)于Pandas和Matplotlib數(shù)據(jù)清洗與可視化的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片