负氧离子数据的采集、清洗与可视化：一套可复用的环境监测数据分析模板

1. 引言：为什么关注避暑房的负氧离子

每年夏天，城市里的高温与闷热总让人想往山里跑。云澜栖这类避暑房之所以受欢迎，除了气温低、湿度适中，还有一个常被提及的卖点------负氧离子浓度高。

负氧离子（Negative Air Ion）是空气中带负电荷的氧分子团簇，常被作为衡量空气清新程度的指标之一。森林、瀑布、溪流附近，由于水分子碰撞、植物光合作用与雷电作用，负氧离子浓度往往显著高于城市室内环境。

但问题在于：商家宣传的"负氧离子上万"到底可不可信？ 想回答这个问题，光靠一句广告语是不够的，需要一套完整的数据链路：

用传感器持续采集原始数据；
对原始数据做清洗，剔除异常与漂移；
用可视化把"一天中什么时候空气最好""不同房间差异有多大"讲清楚。

本文就以云澜栖避暑房为场景，把这条链路拆成可复用的模板。即使你监测的不是负氧离子，而是 PM2.5、温湿度、CO₂，这套流程同样适用。

2. 数据采集：从传感器到原始数据表

2.1 监测点位设计

避暑房的监测不能只放一个点。建议至少覆盖三类位置：

点位编号	位置	说明
P1	客厅中央	主要活动区域，代表室内整体水平
P2	卧室床头	睡眠场景，关注夜间空气质量
P3	阳台/露台	半室外，接近自然环境的参考值
P4	附近林间空地	室外基准点，用于对比

点位设计的原则是：既有代表性，又能形成对照。P4 作为室外基准，能帮我们判断"室内负氧离子下降是设备问题还是环境问题"。

2.2 采集频率与设备

常见的负氧离子传感器（如基于电容式或 Gerdien 冷凝器的模块）输出频率可以从每秒一次到每分钟一次。对居住环境评估而言，1 分钟一次已经足够，既能捕捉短时波动，又不会让数据量爆炸。

采集端可以用一块 ESP32 或树莓派，配合 MQTT 上报到本地服务器。下面是一个简化的采集脚本示例：

python 复制代码

import time
import json
import paho.mqtt.client as mqtt
from datetime import datetime

# 传感器读取函数（此处为示意，实际需对接具体硬件协议）
def read_negative_ion(sensor_port):
    # 返回单位：个/cm³
    raw = sensor_port.read()
    return float(raw)

client = mqtt.Client()
client.connect("localhost", 1883, 60)

POINTS = {
    "P1": "/dev/ttyUSB0",
    "P2": "/dev/ttyUSB1",
    "P3": "/dev/ttyUSB2",
}

while True:
    ts = datetime.now().isoformat(timespec="seconds")
    for pid, port in POINTS.items():
        value = read_negative_ion(port)
        payload = {
            "point_id": pid,
            "timestamp": ts,
            "negative_ion": value,
        }
        client.publish("env/ion", json.dumps(payload))
    time.sleep(60)

2.3 原始数据表结构

无论用什么方式落库，建议原始表至少包含以下字段：

sql 复制代码

CREATE TABLE raw_ion_data (
    id          BIGSERIAL PRIMARY KEY,
    point_id    VARCHAR(16) NOT NULL,
    ts          TIMESTAMPTZ NOT NULL,
    negative_ion DOUBLE PRECISION,
    device_id   VARCHAR(64),
    created_at  TIMESTAMPTZ DEFAULT now()
);

CREATE INDEX idx_raw_ion_ts ON raw_ion_data (point_id, ts);

关键点：原始数据只追加、不修改。 清洗结果另存一张表，这样任何时候都能回溯"这条数据是怎么来的"。

3. 数据清洗：把"脏数据"变成"可用数据"

原始数据几乎不可能直接拿来分析。常见问题包括：

缺失值：设备断连、重启导致的时间空洞；
异常尖峰：电磁干扰或传感器瞬时故障造成的离群值；
零点漂移：长期运行后基线缓慢偏移；
重复上报：网络重传导致的同一时刻多条记录。

3.1 清洗流程总览

#mermaid-svg-uxuTeTBwMF2J2ryM{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-uxuTeTBwMF2J2ryM .error-icon{fill:#552222;}#mermaid-svg-uxuTeTBwMF2J2ryM .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-uxuTeTBwMF2J2ryM .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-uxuTeTBwMF2J2ryM .marker{fill:#333333;stroke:#333333;}#mermaid-svg-uxuTeTBwMF2J2ryM .marker.cross{stroke:#333333;}#mermaid-svg-uxuTeTBwMF2J2ryM svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-uxuTeTBwMF2J2ryM p{margin:0;}#mermaid-svg-uxuTeTBwMF2J2ryM .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster-label text{fill:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster-label span{color:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster-label span p{background-color:transparent;}#mermaid-svg-uxuTeTBwMF2J2ryM .label text,#mermaid-svg-uxuTeTBwMF2J2ryM span{fill:#333;color:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM .node rect,#mermaid-svg-uxuTeTBwMF2J2ryM .node circle,#mermaid-svg-uxuTeTBwMF2J2ryM .node ellipse,#mermaid-svg-uxuTeTBwMF2J2ryM .node polygon,#mermaid-svg-uxuTeTBwMF2J2ryM .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-uxuTeTBwMF2J2ryM .rough-node .label text,#mermaid-svg-uxuTeTBwMF2J2ryM .node .label text,#mermaid-svg-uxuTeTBwMF2J2ryM .image-shape .label,#mermaid-svg-uxuTeTBwMF2J2ryM .icon-shape .label{text-anchor:middle;}#mermaid-svg-uxuTeTBwMF2J2ryM .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-uxuTeTBwMF2J2ryM .rough-node .label,#mermaid-svg-uxuTeTBwMF2J2ryM .node .label,#mermaid-svg-uxuTeTBwMF2J2ryM .image-shape .label,#mermaid-svg-uxuTeTBwMF2J2ryM .icon-shape .label{text-align:center;}#mermaid-svg-uxuTeTBwMF2J2ryM .node.clickable{cursor:pointer;}#mermaid-svg-uxuTeTBwMF2J2ryM .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-uxuTeTBwMF2J2ryM .arrowheadPath{fill:#333333;}#mermaid-svg-uxuTeTBwMF2J2ryM .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-uxuTeTBwMF2J2ryM .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-uxuTeTBwMF2J2ryM .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uxuTeTBwMF2J2ryM .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-uxuTeTBwMF2J2ryM .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uxuTeTBwMF2J2ryM .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster text{fill:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM .cluster span{color:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-uxuTeTBwMF2J2ryM .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-uxuTeTBwMF2J2ryM rect.text{fill:none;stroke-width:0;}#mermaid-svg-uxuTeTBwMF2J2ryM .icon-shape,#mermaid-svg-uxuTeTBwMF2J2ryM .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uxuTeTBwMF2J2ryM .icon-shape p,#mermaid-svg-uxuTeTBwMF2J2ryM .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-uxuTeTBwMF2J2ryM .icon-shape .label rect,#mermaid-svg-uxuTeTBwMF2J2ryM .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uxuTeTBwMF2J2ryM .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-uxuTeTBwMF2J2ryM .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-uxuTeTBwMF2J2ryM :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 原始数据 raw_ion_data
去重：按 point_id + ts 保留一条
缺失检测：按分钟重采样
异常值剔除：3σ 或 IQR
漂移校正：滑动基线
平滑：滚动中位数
清洗结果 clean_ion_data

3.2 用 Pandas 实现清洗

下面这段代码把上面的流程串起来，可以直接复用：

python 复制代码

import pandas as pd
import numpy as np

def clean_ion_data(df: pd.DataFrame) -> pd.DataFrame:
    """
    df 需包含列：point_id, ts, negative_ion
    """
    df = df.copy()
    df["ts"] = pd.to_datetime(df["ts"])
    df = df.sort_values(["point_id", "ts"])

    # 1. 去重
    df = df.drop_duplicates(subset=["point_id", "ts"], keep="last")

    results = []
    for pid, g in df.groupby("point_id"):
        g = g.set_index("ts").sort_index()

        # 2. 按分钟重采样，补齐时间轴
        g = g.resample("1min").asfreq()

        # 3. 异常值剔除：IQR 法
        q1, q3 = g["negative_ion"].quantile([0.25, 0.75])
        iqr = q3 - q1
        lower, upper = q1 - 3 * iqr, q3 + 3 * iqr
        g.loc[(g["negative_ion"] < lower) | (g["negative_ion"] > upper),
              "negative_ion"] = np.nan

        # 4. 漂移校正：减去 24 小时滑动中位数基线
        baseline = g["negative_ion"].rolling("24h", min_periods=60).median()
        g["negative_ion_corrected"] = g["negative_ion"] - baseline

        # 5. 平滑：15 分钟滚动中位数
        g["negative_ion_smooth"] = (
            g["negative_ion_corrected"].rolling(15, min_periods=5).median()
        )

        g["point_id"] = pid
        results.append(g.reset_index())

    return pd.concat(results, ignore_index=True)

3.3 清洗参数怎么定

清洗不是"越狠越好"。参数选择建议遵循：

IQR 系数：3 倍 IQR 比 1.5 倍更保守，适合负氧离子这种本身波动大的指标；
基线窗口：24 小时能覆盖一个完整的昼夜周期，避免把正常的日变化当成漂移；
平滑窗口：15 分钟足以压掉高频噪声，又不会抹平"清晨浓度上升"这类真实趋势。

建议把参数写成配置项，不同点位、不同季节可以分别调整，而不是硬编码在函数里。

4. 可视化：让数据自己说话

清洗完的数据如果只躺在表里，价值有限。可视化的目标是回答几个具体问题：

一天中负氧离子浓度如何变化？
不同点位之间差异有多大？
室内外差距是否稳定？

4.1 日变化曲线

python 复制代码

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

def plot_daily_curve(df, point_id, date):
    sub = df[(df["point_id"] == point_id) &
             (df["ts"].dt.date == pd.to_datetime(date).date())]
    fig, ax = plt.subplots(figsize=(12, 4))
    ax.plot(sub["ts"], sub["negative_ion_smooth"], label="平滑后浓度")
    ax.set_title(f"{point_id} 负氧离子日变化 - {date}")
    ax.set_ylabel("个/cm³")
    ax.xaxis.set_major_formatter(mdates.DateFormatter("%H:%M"))
    ax.legend()
    plt.tight_layout()
    plt.show()

4.2 多点位对比箱线图

箱线图能一眼看出各点位的分布差异与离群情况：

python 复制代码

def plot_point_comparison(df):
    fig, ax = plt.subplots(figsize=(8, 5))
    data = [g["negative_ion_smooth"].dropna().values
            for _, g in df.groupby("point_id")]
    labels = sorted(df["point_id"].unique())
    ax.boxplot(data, labels=labels)
    ax.set_ylabel("个/cm³")
    ax.set_title("各监测点位负氧离子分布对比")
    plt.tight_layout()
    plt.show()

4.3 室内外差值热力图

把"室内 - 室外"的差值按小时 × 日期铺成热力图，可以直观看到差距在哪些时段被拉大：

python 复制代码

import seaborn as sns

def plot_indoor_outdoor_diff(df, indoor="P1", outdoor="P4"):
    pivot = df.pivot_table(
        index=df["ts"].dt.hour,
        columns=df["ts"].dt.date,
        values="negative_ion_smooth",
        aggfunc="mean",
    )
    # 简化示意：实际需分别透视 indoor / outdoor 后相减
    sns.heatmap(pivot, cmap="YlGnBu")
    plt.title(f"{indoor} 与 {outdoor} 差值热力图")
    plt.xlabel("日期")
    plt.ylabel("小时")
    plt.tight_layout()
    plt.show()

注：上面的热力图函数为结构示意，实际使用时需先分别对 indoor、outdoor 做 pivot，再相减得到差值矩阵。

5. 模板化：把一次性分析变成可复用资产

做完一次分析不难，难的是下个夏天、换个房子还能快速复用。建议把整套流程沉淀为三层结构：
#mermaid-svg-tDrk6J3L3fclSiZa{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-tDrk6J3L3fclSiZa .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-tDrk6J3L3fclSiZa .error-icon{fill:#552222;}#mermaid-svg-tDrk6J3L3fclSiZa .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-tDrk6J3L3fclSiZa .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-tDrk6J3L3fclSiZa .marker{fill:#333333;stroke:#333333;}#mermaid-svg-tDrk6J3L3fclSiZa .marker.cross{stroke:#333333;}#mermaid-svg-tDrk6J3L3fclSiZa svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-tDrk6J3L3fclSiZa p{margin:0;}#mermaid-svg-tDrk6J3L3fclSiZa .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-tDrk6J3L3fclSiZa .cluster-label text{fill:#333;}#mermaid-svg-tDrk6J3L3fclSiZa .cluster-label span{color:#333;}#mermaid-svg-tDrk6J3L3fclSiZa .cluster-label span p{background-color:transparent;}#mermaid-svg-tDrk6J3L3fclSiZa .label text,#mermaid-svg-tDrk6J3L3fclSiZa span{fill:#333;color:#333;}#mermaid-svg-tDrk6J3L3fclSiZa .node rect,#mermaid-svg-tDrk6J3L3fclSiZa .node circle,#mermaid-svg-tDrk6J3L3fclSiZa .node ellipse,#mermaid-svg-tDrk6J3L3fclSiZa .node polygon,#mermaid-svg-tDrk6J3L3fclSiZa .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-tDrk6J3L3fclSiZa .rough-node .label text,#mermaid-svg-tDrk6J3L3fclSiZa .node .label text,#mermaid-svg-tDrk6J3L3fclSiZa .image-shape .label,#mermaid-svg-tDrk6J3L3fclSiZa .icon-shape .label{text-anchor:middle;}#mermaid-svg-tDrk6J3L3fclSiZa .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-tDrk6J3L3fclSiZa .rough-node .label,#mermaid-svg-tDrk6J3L3fclSiZa .node .label,#mermaid-svg-tDrk6J3L3fclSiZa .image-shape .label,#mermaid-svg-tDrk6J3L3fclSiZa .icon-shape .label{text-align:center;}#mermaid-svg-tDrk6J3L3fclSiZa .node.clickable{cursor:pointer;}#mermaid-svg-tDrk6J3L3fclSiZa .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-tDrk6J3L3fclSiZa .arrowheadPath{fill:#333333;}#mermaid-svg-tDrk6J3L3fclSiZa .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-tDrk6J3L3fclSiZa .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-tDrk6J3L3fclSiZa .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tDrk6J3L3fclSiZa .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-tDrk6J3L3fclSiZa .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tDrk6J3L3fclSiZa .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-tDrk6J3L3fclSiZa .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-tDrk6J3L3fclSiZa .cluster text{fill:#333;}#mermaid-svg-tDrk6J3L3fclSiZa .cluster span{color:#333;}#mermaid-svg-tDrk6J3L3fclSiZa div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-tDrk6J3L3fclSiZa .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-tDrk6J3L3fclSiZa rect.text{fill:none;stroke-width:0;}#mermaid-svg-tDrk6J3L3fclSiZa .icon-shape,#mermaid-svg-tDrk6J3L3fclSiZa .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tDrk6J3L3fclSiZa .icon-shape p,#mermaid-svg-tDrk6J3L3fclSiZa .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-tDrk6J3L3fclSiZa .icon-shape .label rect,#mermaid-svg-tDrk6J3L3fclSiZa .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tDrk6J3L3fclSiZa .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-tDrk6J3L3fclSiZa .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-tDrk6J3L3fclSiZa :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 配置层 config.yaml
处理层 pipeline.py
展示层 report.ipynb
输出：图表 + 结论摘要

配置层：点位定义、清洗参数、时间范围、输出路径；
处理层：采集、清洗、聚合的纯函数，输入输出都是 DataFrame；
展示层：只负责画图和写结论，不掺业务逻辑。

一个最小配置示例：

yaml 复制代码

points:
  - id: P1
    name: 客厅
  - id: P2
    name: 卧室
  - id: P3
    name: 阳台
  - id: P4
    name: 林间基准

cleaning:
  iqr_factor: 3.0
  baseline_window: "24h"
  smooth_window: 15

report:
  start_date: "2026-07-01"
  end_date: "2026-08-31"
  output_dir: "./reports"

这样下次换一个避暑房，只需要改 config.yaml，代码一行不动。

6. 常见坑与经验总结

别迷信单点数据：一个传感器坏了，结论就全错。多点位互相对照是最低成本的校验。
原始数据一定要留：清洗参数改了要能重跑，没有原始数据就只能重采。
负氧离子不是越高越好：不同设备量纲与标定差异很大，跨设备比较前先做统一标定。
可视化先想问题：每张图都应该对应一个具体问题，否则只是"好看的噪声"。
把结论写下来：图表会过期，文字结论才是可传承的部分。

7. 结语

从传感器上报的一行 JSON，到一张能说明问题的热力图，中间隔着采集、清洗、可视化三道工序。云澜栖避暑房只是一个具体场景，真正有价值的是这套可配置、可回溯、可复用的分析模板。

下次你面对任何环境监测数据------不管是负氧离子、PM2.5 还是温湿度------都可以按这个骨架搭起来：先保证数据干净，再让图表回答问题，最后把流程固化成配置。