1.2.0 的新增内容（2020 年 12 月 26 日）#

这些是 pandas 1.2.0 中的变化。请参阅发行说明以获取完整的变更日志，包括其他版本的 pandas。

警告

用于写入旧式Excel 文件的xlwt包.xls 不再维护。xlrd包现在仅用于读取旧式.xls文件。

以前，默认参数engine=None会read_excel() 导致xlrd在许多情况下使用该引擎，包括新的 Excel 2007+ ( .xlsx) 文件。如果安装了openpyxl，许多情况现在将默认使用该openpyxl引擎。请参阅read_excel()文档了解更多详细信息。

因此，强烈建议安装openpyxl读取 Excel 2007+ ( .xlsx) 文件。 使用“xlrd”读取“.xlsx”文件时，请不要报告问题。 不再支持此功能，请改为使用openpyxl。

除非该选项设置为 ，否则尝试使用该xlwt引擎将引发。虽然此选项现已弃用，并且还会引发，但它可以全局设置并抑制警告。建议用户使用引擎来写入文件。FutureWarningio.excel.xls.writer"xlwt"FutureWarning.xlsxopenpyxl

增强功能#

可以选择禁止重复标签#

Series现在DataFrame可以使用标志来创建，allows_duplicate_labels=False以控制索引或列是否可以包含重复标签（GH 28394）。这可用于防止意外引入重复标签，从而影响下游操作。

默认情况下，继续允许重复。

In [1]: pd.Series([1, 2], index=['a', 'a'])
Out[1]:
a    1
a    2
Length: 2, dtype: int64

In [2]: pd.Series([1, 2], index=['a', 'a']).set_flags(allows_duplicate_labels=False)
...
DuplicateLabelError: Index has duplicates.
      positions
label
a        [0, 1]

pandas 将allows_duplicate_labels通过许多操作传播该属性。

In [3]: a = (
   ...:     pd.Series([1, 2], index=['a', 'b'])
   ...:       .set_flags(allows_duplicate_labels=False)
   ...: )

In [4]: a
Out[4]:
a    1
b    2
Length: 2, dtype: int64

# An operation introducing duplicates
In [5]: a.reindex(['a', 'b', 'a'])
...
DuplicateLabelError: Index has duplicates.
      positions
label
a        [0, 2]

[1 rows x 1 columns]

警告

这是一个实验性功能。目前，许多方法无法传播该allows_duplicate_labels值。在未来的版本中，预计每个获取或返回一个或多个 DataFrame 或 Series 对象的方法都会传播allows_duplicate_labels。

有关更多信息，请参阅重复标签。

该allows_duplicate_labels标志存储在新DataFrame.flags 属性中。它存储适用于pandas 对象的全局属性。这与 不同DataFrame.attrs，后者存储适用于数据集的信息。

将参数传递给 fsspec 后端#

许多读/写函数都获取了storage_options可选参数，以将参数字典传递到存储后端。例如，这允许将凭证传递到 S3 和 GCS 存储。有关哪些参数可以传递到哪些后端的详细信息，可以在各个存储后端的文档中找到（详细信息来自 内置实现的fsspec 文档并链接到外部实现）。请参阅读取/写入远程文件部分。

GH 35655storage_options添加了用于读取 excel 文件的fsspec 支持（包括）。

支持to_csv#中的二进制文件句柄

to_csv()支持二进制模式下的文件句柄（GH 19827和GH 35058）以及encoding（GH 13068和GH 23854）和compression（GH 22555）。如果 pandas 没有自动检测文件句柄是以二进制还是文本模式打开，则需要提供mode="wb".

例如：

In [1]: import io

In [2]: data = pd.DataFrame([0, 1, 2])

In [3]: buffer = io.BytesIO()

In [4]: data.to_csv(buffer, encoding="utf-8", compression="gzip")

支持to_latex#中的短标题和表格位置

DataFrame.to_latex()现在允许指定浮动表位置（GH 35281）和短标题（GH 36267）。

添加了关键字position来设置位置。

In [5]: data = pd.DataFrame({'a': [1, 2], 'b': [3, 4]})

In [6]: table = data.to_latex(position='ht')

In [7]: print(table)
\begin{table}[ht]
\begin{tabular}{lrr}
\toprule
 & a & b \\
\midrule
0 & 1 & 3 \\
1 & 2 & 4 \\
\bottomrule
\end{tabular}
\end{table}

关键字的使用caption已得到扩展。除了将单个字符串作为参数之外，还可以选择提供一个元组 来添加短标题宏。(full_caption, short_caption)

In [8]: data = pd.DataFrame({'a': [1, 2], 'b': [3, 4]})

In [9]: table = data.to_latex(caption=('the full long caption', 'short caption'))

In [10]: print(table)
\begin{table}
\caption[short caption]{the full long caption}
\begin{tabular}{lrr}
\toprule
 & a & b \\
\midrule
0 & 1 & 3 \\
1 & 2 & 4 \\
\bottomrule
\end{tabular}
\end{table}

更改read_csv和read_table# 的默认浮动精度

对于 C 解析引擎，这些方法read_csv()和read_table()之前默认的解析器可能会在精度的最后一位方面稍微错误地读取浮点数。该选项floating_precision="high"始终可以避免此问题。从这个版本开始，默认是通过 floating_precision=None与高精度解析器相对应来使用更准确的解析器，而新选项则 floating_precision="legacy"使用旧解析器。默认情况下更改为使用更高精度解析器应该不会对性能产生影响。 （GH 17154）

浮点数据的实验性可空数据类型#

我们添加了Float32Dtype/Float64Dtype和FloatingArray.这些是专用于浮点数据的扩展数据类型，可以保存 pd.NA缺失值指示符（GH 32265、GH 34307）。

虽然默认浮点数据类型已经支持使用 缺失值np.nan，但这些新数据类型使用pd.NA（及其相应的行为）作为缺失值指示符，与现有的可为空整数 和布尔数据类型一致。

np.nan和的行为pd.NA不同的一个示例是比较运算：

# the default NumPy float64 dtype
In [11]: s1 = pd.Series([1.5, None])

In [12]: s1
Out[12]: 
0    1.5
1    NaN
dtype: float64

In [13]: s1 > 1
Out[13]: 
0     True
1    False
dtype: bool

# the new nullable float64 dtype
In [14]: s2 = pd.Series([1.5, None], dtype="Float64")

In [15]: s2
Out[15]: 
0     1.5
1    <NA>
dtype: Float64

In [16]: s2 > 1
Out[16]: 
0    True
1    <NA>
dtype: boolean

有关使用缺失值指示符时的行为的更多详细信息，请参阅NA 语义文档部分。pd.NA

如上所示，可以使用“Float64”或“Float32”字符串指定数据类型（大写以区别于默认的“float64”数据类型）。或者，您也可以使用 dtype 对象：

In [17]: pd.Series([1.5, None], dtype=pd.Float32Dtype())
Out[17]: 
0     1.5
1    <NA>
dtype: Float32

使用提供浮点结果的现有整数或布尔可为空数据类型的操作现在也将使用可为空浮点数据类型 ( GH 38178 )。

警告

实验性：新的浮动数据类型目前处于实验性阶段，它们的行为或 API 可能仍会在没有警告的情况下发生变化。特别是有关 NaN（与 NA 缺失值不同）的行为可能会发生变化。

聚合时保留索引/列名称#

当使用concat()或DataFrame构造函数进行聚合时，pandas 现在将尽可能尝试保留索引和列名称（GH 35847）。如果所有输入共享一个通用名称，则该名称将分配给结果。当输入的名称不全部一致时，结果将是未命名的。这是保留索引名称的示例：

In [18]: idx = pd.Index(range(5), name='abc')

In [19]: ser = pd.Series(range(5, 10), index=idx)

In [20]: pd.concat({'x': ser[1:], 'y': ser[:-1]}, axis=1)
Out[20]: 
       x    y
abc          
1    6.0  6.0
2    7.0  7.0
3    8.0  8.0
4    9.0  NaN
0    NaN  5.0

也是如此MultiIndex，但逻辑是逐级单独应用的。

GroupBy直接支持EWM操作#

DataFrameGroupBy现在直接支持指数加权窗口操作（GH 16037）。

In [21]: df = pd.DataFrame({'A': ['a', 'b', 'a', 'b'], 'B': range(4)})

In [22]: df
Out[22]: 
   A  B
0  a  0
1  b  1
2  a  2
3  b  3

In [23]: df.groupby('A').ewm(com=1.0).mean()
Out[23]: 
            B
A            
a 0  0.000000
  2  1.333333
b 1  1.000000
  3  2.333333

另外还mean支持通过Numba使用engine和engine_kwargs参数执行。 Numba 必须作为可选依赖项安装才能使用此功能。

其他增强功能#

值得注意的错误修复#

这些错误修复可能会带来显着的行为变化。

数据帧减少的一致性#

DataFrame.any()现在DataFrame.all()确定bool_only=True是否逐列排除 object-dtype 列，而不是检查是否所有object-dtype 列都可以被视为布尔值。

这可以防止病态行为，即对列的子集应用归约可能会导致更大的系列结果。参见（GH 37799）。

In [24]: df = pd.DataFrame({"A": ["foo", "bar"], "B": [True, False]}, dtype=object)

In [25]: df["C"] = pd.Series([True, True])

以前的行为：

In [5]: df.all(bool_only=True)
Out[5]:
C    True
dtype: bool

In [6]: df[["B", "C"]].all(bool_only=True)
Out[6]:
B    False
C    True
dtype: bool

新行为：

In [26]: In [5]: df.all(bool_only=True)
Out[26]: 
C    True
dtype: bool

In [27]: In [6]: df[["B", "C"]].all(bool_only=True)
Out[27]: 
C    True
dtype: bool

其他 DataFrame 缩减numeric_only=None也将避免这种病态行为（GH 37827）：

In [28]: df = pd.DataFrame({"A": [0, 1, 2], "B": ["a", "b", "c"]}, dtype=object)

以前的行为：

In [3]: df.mean()
Out[3]: Series([], dtype: float64)

In [4]: df[["A"]].mean()
Out[4]:
A    1.0
dtype: float64

新行为：

In [3]: df.mean()
Out[3]:
A    1.0
dtype: float64

In [4]: df[["A"]].mean()
Out[4]:
A    1.0
dtype: float64

此外，DataFrame 的缩减numeric_only=None现在将与其对应的 Series 一致。特别是，对于 Series 方法引发的缩减TypeError，DataFrame 缩减现在将考虑该列非数字，而不是转换为可能具有不同语义的 NumPy 数组（GH 36076、 GH 28949、GH 21020）。

In [29]: ser = pd.Series([0, 1], dtype="category", name="A")

In [30]: df = ser.to_frame()

以前的行为：

In [5]: df.any()
Out[5]:
A    True
dtype: bool

新行为：

In [5]: df.any()
Out[5]: Series([], dtype: bool)

增加了 Python 的最低版本#

pandas 1.2.0 支持 Python 3.7.1 及更高版本 ( GH 35214 )。

增加了依赖项的最低版本#

更新了一些依赖项的最低支持版本（GH 35214）。如果安装了，我们现在需要：

包裹

最低版本

必需的

改变了

麻木

1.16.5

X

X

皮茨

2017.3

X

X

python-dateutil

2.7.3

X

瓶颈

1.2.1

数值表达式

2.6.8

X

pytest（开发）

5.0.1

X

mypy（开发）

0.782

X

对于可选库，一般建议使用最新版本。下表列出了当前在 pandas 开发过程中测试的每个库的最低版本。低于最低测试版本的可选库可能仍然有效，但不被视为受支持。

包裹

最低版本

改变了

美丽汤4

4.6.0

快速镶木地板

0.3.2

FS规范

0.7.4

GCSFS

0.6.0

lxml

4.3.0

X

绘图库

2.2.3

X

努巴

0.46.0

开放式pyxl

2.6.0

X

皮箭头

0.15.0

X

pymysql

0.7.11

X

pytables

3.5.1

X

s3fs

0.4.0

scipy

1.2.0

sqlalchemy

1.2.8

X

阵列

0.12.3

X

xlrd

1.2.0

X

XLSX作家

1.0.2

X

xlwt

1.3.0

X

pandas-GBQ

0.12.0

有关更多信息，请参阅依赖项和可选依赖项。

其他 API 更改#

  • 对于类似日期时间的子Series.sort_values()类，按降序排序现在是稳定的。当对多个列上的 DataFrame 进行排序、使用产生重复项的键函数进行排序或在使用 时请求排序索引时，这将影响排序顺序。使用 时，缺失值的计数不再一定位于重复计数列表的最后。相反，它的位置对应于原始系列中的位置。当用于类似日期时间的子类时，NaT 忽略该参数并排序到开头。现在他们尊重，默认是，与其他子类相同（GH 35992）Index.sort_values()IndexIndex.sort_values()Series.value_counts()Index.sort_values()Indexna_positionna_positionlastIndex

  • 将无效值传递fill_value给Categorical.take()、DatetimeArray.take()、TimedeltaArray.take()或PeriodArray.take()现在会引发 aTypeError而不是ValueError( GH 37733 )

  • 现在将无效传递fill_value给Series.shift()aCategoricalDtype会引发 aTypeError而不是 a ValueError( GH 37733 )

  • 将无效值传递给IntervalIndex.insert()orCategoricalIndex.insert()现在会引发 aTypeError而不是 a ValueError( GH 37733 )

  • CategoricalIndex尝试使用无效的a 重新索引系列fill_value现在会引发 aTypeError而不是 a ValueError( GH 37733 )

  • CategoricalIndex.append()包含非类别值的索引现在将进行转换而不是提升TypeError（GH 38098）

弃用#

在未对齐的 DataFrame 上调用 NumPy ufunc

在非对齐 DataFrame 上调用 NumPy ufuncs 更改了 pandas 1.2.0 中的行为（在调用 ufunc 之前对齐输入），但此更改在 pandas 1.2.1 中恢复。现在不推荐使用不对齐的行为，请参阅1.2.1 发行说明以了解更多详细信息。

性能改进#

Bug修复＃

分类#

  • Categorical.fillna()将始终返回一个副本，验证传递的填充值，无论是否有需要填充的 NA，并且不允许将 anNaT作为数字类别的填充值 ( GH 36530 )

  • Categorical.__setitem__()尝试设置元组值时错误引发的错误（ GH 20439）

  • 错误地CategoricalIndex.equals()将非类别条目转换为np.nan( GH 37667 )

  • 错误地CategoricalIndex.where()将非类别条目设置为np.nan而不是提升TypeError（GH 37977）

  • tz 感知Categorical.to_numpy()类别中的错误错误地删除时区信息而不是转换为对象 dtype ( GH 38136 )np.array(categorical)datetime64

类似日期时间#

  • 当原始列中不存在该列时，DataFrame.combine_first()会将其他类似日期时间的列转换为整数的错误（GH 28481）DataFrameDataFrame

  • 使用只读支持数组引发DatetimeArray.datea 的错误（ GH 33530）ValueError

  • 比较中的错误NaT未能引发TypeError无效的不平等比较（GH 35046）

  • DateOffset当输入值超出正常范围（例如，月份=12）时，从pickle文件重建的属性与原始对象不同的错误（ GH 34511）

  • 不接受对象或使用 tz 感知的天真对象DatetimeIndex.get_slice_bound()时出现的错误（GH 35690）datetime.dateTimestampDatetimeIndex

  • 不接受对象的DatetimeIndex.slice_locs()错误（GH 34077）datetime.date

  • DatetimeIndex.searchsorted()、TimedeltaIndex.searchsorted()、PeriodIndex.searchsorted()、 和Series.searchsorted()withdatetime64或timedelta64dtype值Period放置中的错误NaT与 NumPy 不一致（GH 36176、GH 36254）

  • DatetimeArray、TimedeltaArray和PeriodArray方法__setitem__将字符串数组转换为类似日期时间的标量但不是标量字符串时不一致( GH 36261 )

  • DatetimeArray.take()错误地允许fill_value不匹配的时区的错误（ GH 37356）

  • DatetimeIndex.shift移动空索引时错误地引发错误（ GH 14811）

  • Timestamptz-aware 和 tz-naive 对象之间的比较DatetimeIndex现在遵循标准库datetime行为，返回True/ Falsefor !=/==并提高不等式比较（GH 28507）

  • 错误DatetimeIndex.equals()并TimedeltaIndex.equals()错误地将int64索引视为相等（GH 36744）

  • Series.to_json(), DataFrame.to_json(),现在在东方结构为( GH 35973 )read_json()时实现时区解析table

  • astype()现在尝试直接从字符串（ GH 35973）推断时区转换为datetime64[ns, tz]object

  • 空索引或系列上的错误TimedeltaIndex.sum()和Series.sum()dtype返回而不是（GH 31751）timedelta64NaTTimedelta(0)

  • DatetimeArray.shift()错误地允许fill_value不匹配的时区的错误（ GH 37299）

  • BusinessDay将非零值添加offset到非标量 other 时出现错误 ( GH 37457 )

  • to_datetime()只读数组错误地引发错误（ GH 34857）

  • Series.isin()dtype存在错误datetime64[ns]，并且DatetimeIndex.isin()错误地将整数转换为日期时间 ( GH 36621 )

  • dtype 存在错误，并且Series.isin()未能考虑tz-aware 和 tz-naive 日期时间总是不同的（GH 35728）datetime64[ns]DatetimeIndex.isin()

  • Series.isin()dtype存在错误PeriodDtype，并且PeriodIndex.isin()未能考虑不同的参数，PeriodDtype因为总是不同的（GH 37528）

  • 构造函数中的错误Period现在可以正确处理参数中的纳秒value（GH 34621和GH 17053）

时间增量#

时区＃

数字#

转换＃

字符串#

间隔＃

索引#

丢失的＃

多重索引#

输入/输出#

时期＃

绘图#

造型器#

  • Styler.render()由于属性中的格式错误，HTML中的错误生成不正确rowspan，它现在与 w3 语法匹配（GH 38234）

分组/重新采样/滚动#

重塑#

扩展数组#

其他＃

贡献者#

共有 257 人为此版本贡献了补丁。名字带有“+”的人首次贡献了补丁。

  • 21CSM+

  • 阿卜杜勒·马卜迪 +

  • Abhiraj 铰链 +

  • 阿布舍克·曼格拉 +

  • Abo7atm +

  • 亚当·斯潘鲍尔 +

  • 阿尔伯特·维拉诺瓦·德尔·莫拉尔

  • 亚历克斯·科科

  • 亚历克斯·林+

  • 亚历克斯·索恩 +

  • 阿莱什·埃贾韦茨 +

  • 阿里·麦克马斯特

  • 阿曼达·杜苏扎 +

  • 阿米姆·纳本 +

  • 安德鲁·维特斯卡

  • 安舒·拉杰普特 +

  • 安东尼·米尔伯恩

  • 阿伦12121 +

  • 阿希·玛哈帕特拉

  • 阿维纳什·潘查姆 +

  • 豆南+

  • 本·福布斯 +

  • 布伦丹·威尔比 +

  • 布鲁诺·阿尔梅达 +

  • 拜伦·博尔顿 +

  • 钱基·帕塔克

  • 克里斯·巴恩斯 +

  • 克里斯·林奇 +

  • 克里斯·威瑟斯

  • 克里斯托夫·戴尔 +

  • 克里斯托弗·哈德利 +

  • 徐传柱

  • 科尔胡多 +

  • 丹·摩尔

  • 丹尼尔·萨克斯顿

  • 邝大卫 +

  • 李大卫+

  • 大卫·姆瓦 +

  • 迪帕克·潘迪 +

  • 迪普亚曼·达塔

  • 德文·彼得森

  • 德米特里·佩雷佩尔金 +

  • 道格拉斯·汉利 +

  • 达格斯·格林伯格 +

  • 伊莱·特鲁赫兹 +

  • 艾略特·兰波诺 +

  • 埃尔凡·纳里曼

  • 埃里克·戈达德

  • 梁志伟 +

  • 埃里克·维塞尔

  • 陈伊森+

  • 前夕+

  • 埃亚尔·特拉贝尔西 +

  • 法比安·格布哈特 +

  • 李芳辰

  • 菲利克斯·克莱森 +

  • 芬利·马奎尔 +

  • 弗洛里安·罗斯切克 +

  • 加布里埃尔·蒙泰罗

  • 高瑟姆+

  • 杰拉德·乔根森 +

  • 格雷戈里·利夫施茨

  • 汉斯

  • 严厉的夏尔马

  • 黄汉丰 +

  • 伊戈尔·戈特利博维奇 +

  • 伊克拉尔·阿加洛西·努雷扎

  • 欧夫·勒斯蒂格

  • 艾萨克·维尔舒普

  • 雅各布·皮科克

  • 雅各布·史蒂文斯-哈斯 +

  • 扬·穆勒 +

  • 雅努斯

  • 杰特·帕雷克

  • 杰夫·埃尔南德斯 +

  • 杰夫·雷巴克

  • 嘉祥

  • 若昂·佩德罗·贝尔诺·扎努托 +

  • 乔尔·诺斯曼

  • 乔尔·惠蒂尔 +

  • 约翰·卡拉辛斯基 +

  • 约翰·麦奎根 +

  • 约翰尼·普比尔 +

  • 乔纳斯·劳尔森 +

  • 乔纳森·史瑞肯戈斯特 +

  • 乔里斯·范登博什

  • 何塞+

  • 何塞海军 +

  • 乔什·坦普尔 +

  • 工藤润+

  • 贾斯汀·埃塞特

  • 贾斯汀·塞克斯顿 +

  • 董凯琪

  • 卡米尔·特洛塞维奇 +

  • 卡蒂克·马图尔

  • 卡西夫+

  • 肯尼·黄

  • 凯文·谢泼德

  • 库马尔·希瓦姆 +

  • 莱昂纳多斯·陈 +

  • 利维·马图斯 +

  • 卢卡斯·罗德斯-吉拉奥 +

  • 路易斯·平托 +

  • 林奇+

  • 马克·加西亚

  • 马可·戈雷利

  • 玛丽亚·亚历山德拉·伊利 +

  • 玛丽安·德内斯

  • 马克·格雷厄姆 +

  • 马丁·杜兰特

  • 马特·罗斯克

  • 马修·罗斯克

  • 马蒂亚斯·布索尼耶

  • 马克西姆·伊万诺夫 +

  • 玛扬克·乔杜里 +

  • 米塞克斯机器

  • 梅加纳瓦拉纳西 +

  • 梅特汉·库特鲁 +

  • 迈克尔·贾尼亚克 +

  • 米卡·史密斯 +

  • 迈克尔·马里诺

  • 米罗斯拉夫·塞迪维

  • 穆罕默德·贾法尔·马什哈迪

  • 穆罕默德·卡希夫 +

  • 纳格什·库马尔 C+

  • 尼迪·扎雷 +

  • 尼基尔·乔杜里 +

  • 42号

  • 奥莱·科齐涅茨 +

  • 奥利维尔·卢格

  • 熊猫开发团队

  • 保罗·拉门斯 +

  • 保罗·甘塞尔

  • 帕克斯+

  • 刘彼得 +

  • 菲利普·塞尔斯 +

  • 普兰贾·巴德瓦吉 +

  • 普拉雅格·萨夫萨尼 +

  • 普鲁索塔曼·斯里坎特 +

  • 奇比湾+

  • 拉胡尔·乔汉 +

  • 拉胡尔·萨塔纳帕利 +

  • 拉贾·比什诺伊 +

  • 雷·贝尔

  • 瑞沙玛·谢赫 +

  • 理查德·沙德拉克

  • 罗伯特·布拉德肖

  • 罗伯特·德弗里斯

  • 罗希斯295

  • S 单声道+

  • 竹野圣 +

  • 萨希德·维尔吉 +

  • 萨姆·科恩 +

  • 萨姆·埃泽布南杜 +

  • 桑德+

  • 萨塔克+

  • 萨萨克·维尼特·库马尔 +

  • 萨特里奥·H·维卡索诺 +

  • 斯科特·拉斯利

  • 邵阳红 +

  • 吴莎朗 +

  • 舒巴姆·梅赫拉 +

  • 西蒙·霍金斯

  • 吴思轩 (Cherie) +

  • 苏里斯·阿什 +

  • 史蒂芬·雷伯格

  • 苏瓦尤·阿里

  • 斯文

  • 西尔万·兰 +

  • T·杰格姆 +

  • 特尔吉·彼得森

  • 托马斯·迪克森 +

  • 托马斯·希维 +

  • 托马斯·史密斯

  • 托比亚斯·皮特斯

  • 汤姆·奥格斯普格

  • 托马斯·萨克雷达 +

  • 托斯顿·沃特温 +

  • 泰·米克+

  • 乌列尔MaD +

  • 乌韦·科恩

  • 维克拉玛蒂亚·冈卡 +

  • 病毒李+

  • 写入+

  • 沃伦·怀特 +

  • 韦斯利·博尔瑞克 +

  • 威廉·艾德

  • 林彦贤 +

  • 亚西尔·卡鲁姆 +

  • 永凯毅+

  • 耿元浩 +

  • 尤里·米哈伊洛夫 +

  • 池田裕太郎

  • 高科裕也 +

  • 扎克·布鲁克勒 +

  • 扎克·科勒 +

  • 陈志辉0903 +

  • 阿布米伊

  • 亚历克斯汀+

  • 阿莎玛13524 +

  • 攻击68

  • 豆南+

  • 清威

  • 克莱康特987

  • 丹切夫 +

  • 埃巴迪+

  • 爱德华孔

  • 艾略特·拉姆波诺 +

  • 埃斯塔斯尼 +

  • 加比卡

  • 吉萨·兰加斯瓦迈亚 +

  • 格菲扬

  • 古鲁基兰

  • 哈迪克pnsp +

  • icanhazcodeplz +

  • 伊万诺夫+

  • 杰布罗克门德尔

  • 杰施瓦尔

  • 杰内库斯

  • 乔伊伊 +

  • 垃圾+

  • 克拉贾特克 +

  • 长曲棍球91 +

  • 狮子座+

  • 利普基尔温 +

  • LRJ球

  • 卢卡斯罗德 +

  • 妈3达+

  • 莫维斯莫妮卡 +

  • 蒙隆斯基恩 +

  • 姆泽特林11 +

  • 恩格瓦拉 +

  • 恩雷贝纳

  • 公园DJ1 +

  • 帕尔捷夫

  • 帕特里克

  • 真实领先

  • RXG+

  • 萨米尔·阿尤布 +

  • 桑德兰

  • 肖恩布朗

  • SM1899+

  • 斯马特维内图

  • 分类人 +

  • 史蒂夫娅+

  • 泰泽豪 +

  • 蒂亚戈奥诺拉托 +

  • 蒂姆亨德伍德

  • tkmz-n +

  • tnwei+

  • 特潘扎+

  • 维内特拉吉510 +

  • vmdhhh +

  • 鑫融-databricks +

  • 尤纳斯·卡萨 +

  • 约纳舒布 +

  • 阿达姆·利帕伊 +