当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib中如何为直方图添加间距：详细教程与实例

Matplotlib中如何为直方图添加间距：详细教程与实例

Matplotlib中如何为直方图添加间距：详细教程与实例

参考：Add space between histogram bars in Matplotlib

在数据可视化中，直方图是一种常用的图表类型，用于展示数据的分布情况。Matplotlib作为Python中最流行的绘图库之一，提供了强大的直方图绘制功能。然而，默认情况下，Matplotlib绘制的直方图柱子之间是紧密相连的，这可能会影响图表的可读性。本文将详细介绍如何在Matplotlib中为直方图添加间距，以提高图表的清晰度和美观度。

1. 直方图基础

在深入探讨如何为直方图添加间距之前，我们先来回顾一下直方图的基本概念和Matplotlib中绘制直方图的基本方法。

直方图是一种用于显示数据分布的图形表示。它将数据分成若干个区间（称为”箱”或”bin”），然后计算每个区间内数据点的数量。直方图的横轴表示数据范围，纵轴表示频率或密度。

在Matplotlib中，我们可以使用plt.hist()函数来绘制直方图。以下是一个基本的直方图示例：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 绘制直方图
plt.figure(figsize=(10, 6))
plt.hist(data, bins=30, edgecolor='black')
plt.title('Basic Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们生成了1000个服从标准正态分布的随机数，并使用30个箱来绘制直方图。edgecolor='black'参数用于给每个柱子添加黑色边框，以提高可见性。

2. 使用rwidth参数添加间距

Matplotlib的hist()函数提供了一个名为rwidth的参数，它可以用来控制每个柱子的相对宽度。通过调整这个参数，我们可以轻松地在柱子之间添加间距。

rwidth参数的取值范围是0到1。当rwidth=1时（默认值），柱子会占满整个箱的宽度，没有间距。当rwidth小于1时，柱子的宽度会相应减小，从而在柱子之间创造出间距。

让我们看一个使用rwidth参数的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 绘制带间距的直方图
plt.figure(figsize=(10, 6))
plt.hist(data, bins=30, edgecolor='black', rwidth=0.8)
plt.title('Histogram with Spacing - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们将rwidth设置为0.8，这意味着每个柱子的宽度是箱宽度的80%。这样就在柱子之间创造了20%的间距，使得图表更加清晰易读。

3. 使用align参数调整柱子位置

当我们使用rwidth参数添加间距时，可能会注意到柱子的位置发生了变化。默认情况下，柱子是左对齐的。如果我们想要调整柱子的对齐方式，可以使用align参数。

align参数有三个可选值：
– ‘left’：柱子左对齐（默认值）
– ‘mid’：柱子居中对齐
– ‘right’：柱子右对齐

以下是一个展示不同对齐方式的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 创建一个包含三个子图的图表
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))

# 左对齐
ax1.hist(data, bins=30, edgecolor='black', rwidth=0.8, align='left')
ax1.set_title('Left Aligned - how2matplotlib.com')

# 居中对齐
ax2.hist(data, bins=30, edgecolor='black', rwidth=0.8, align='mid')
ax2.set_title('Center Aligned - how2matplotlib.com')

# 右对齐
ax3.hist(data, bins=30, edgecolor='black', rwidth=0.8, align='right')
ax3.set_title('Right Aligned - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

这个例子创建了三个子图，分别展示了左对齐、居中对齐和右对齐的效果。通过比较这三种对齐方式，我们可以选择最适合我们数据和设计需求的一种。

4. 自定义柱子宽度

除了使用rwidth参数，我们还可以通过直接指定柱子宽度来控制间距。这种方法给了我们更多的灵活性，特别是当我们需要非均匀间距时。

要自定义柱子宽度，我们需要使用plt.bar()函数而不是plt.hist()函数。首先，我们需要计算直方图的数据，然后手动绘制柱状图。

以下是一个自定义柱子宽度的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 计算直方图数据
counts, bins, _ = plt.hist(data, bins=30)
plt.close()  # 关闭自动生成的图表

# 计算柱子宽度（这里我们设置为bin宽度的80%）
width = 0.8 * (bins[1] - bins[0])

# 绘制自定义宽度的柱状图
plt.figure(figsize=(10, 6))
plt.bar(bins[:-1], counts, width=width, edgecolor='black', align='edge')
plt.title('Custom Width Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们首先使用plt.hist()计算直方图数据，但不实际绘制图表。然后，我们计算了自定义的柱子宽度（这里设置为bin宽度的80%）。最后，我们使用plt.bar()函数绘制柱状图，通过width参数指定柱子宽度。

5. 为不同组添加不同的间距

在某些情况下，我们可能想要为不同的数据组添加不同的间距。这在比较多个数据集时特别有用。我们可以使用plt.bar()函数并巧妙地设置每个柱子的位置和宽度来实现这一效果。

以下是一个为不同组添加不同间距的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1, 1000)

# 计算直方图数据
counts1, bins1, _ = plt.hist(data1, bins=15)
counts2, bins2, _ = plt.hist(data2, bins=15)
plt.close()  # 关闭自动生成的图表

# 设置柱子宽度和间距
width = 0.35
gap = 0.1

# 计算柱子位置
x1 = np.arange(len(counts1))
x2 = x1 + width + gap

# 绘制柱状图
plt.figure(figsize=(12, 6))
plt.bar(x1, counts1, width, alpha=0.7, label='Group 1')
plt.bar(x2, counts2, width, alpha=0.7, label='Group 2')

# 设置x轴刻度和标签
plt.xticks(x1 + (width + gap) / 2, [f'{b:.1f}' for b in bins1[:-1]])

plt.title('Histogram with Different Spacing - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.legend()
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们生成了两组数据，并为每组数据创建了一个柱状图。我们通过精确控制每个柱子的位置（x1和x2）来创建组间的间距。width变量控制柱子的宽度，而gap变量控制组间的间距。

6. 使用step参数创建阶梯式直方图

另一种为直方图添加视觉间距的方法是使用阶梯式直方图。这种类型的直方图不使用实心柱子，而是用线条连接每个数据点，形成阶梯状的图形。这种方式可以在不实际添加间距的情况下，提高图表的可读性。

我们可以通过在plt.hist()函数中设置histtype='step'参数来创建阶梯式直方图：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 绘制阶梯式直方图
plt.figure(figsize=(10, 6))
plt.hist(data, bins=30, histtype='step', linewidth=2)
plt.title('Step Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，histtype='step'参数创建了一个阶梯式直方图。linewidth=2参数用于增加线条的宽度，使图形更加清晰。

7. 使用多边形补丁创建自定义直方图

对于更高级的自定义需求，我们可以使用Matplotlib的多边形补丁（Polygon patches）来创建直方图。这种方法给了我们最大的灵活性，允许我们完全控制直方图的外观，包括柱子的形状和间距。

以下是一个使用多边形补丁创建自定义直方图的例子：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.patches import Polygon

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 计算直方图数据
counts, bins = np.histogram(data, bins=30)

# 创建图表
fig, ax = plt.subplots(figsize=(10, 6))

# 定义柱子宽度和间距
width = 0.8 * (bins[1] - bins[0])
gap = 0.2 * (bins[1] - bins[0])

# 绘制每个柱子
for count, left, right in zip(counts, bins[:-1], bins[1:]):
    center = (left + right) / 2
    points = [
        (left + gap/2, 0),
        (center - width/2, 0),
        (center - width/2, count),
        (center + width/2, count),
        (center + width/2, 0),
        (right - gap/2, 0)
    ]
    poly = Polygon(points, facecolor='skyblue', edgecolor='black')
    ax.add_patch(poly)

ax.set_xlim(bins[0], bins[-1])
ax.set_ylim(0, max(counts) * 1.1)

plt.title('Custom Histogram with Polygons - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们首先计算了直方图数据。然后，我们定义了每个柱子的宽度和间距。接下来，我们遍历每个箱，为每个柱子创建一个多边形补丁。每个补丁由6个点定义，形成了一个带有间距的柱子形状。最后，我们将这些补丁添加到图表中。

这种方法虽然比较复杂，但它提供了最大的灵活性。我们可以轻松地修改柱子的形状、颜色、间距等属性。

8. 使用条形图模拟直方图

另一种创建带间距直方图的方法是使用条形图来模拟直方图。这种方法的优点是我们可以更精确地控制每个柱子的位置和宽度。

以下是一个使用条形图模拟直方图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 计算直方图数据
counts, bins, _ = plt.hist(data, bins=30)
plt.close()  # 关闭自动生成的图表

# 计算柱子中心位置
bin_centers = (bins[:-1] + bins[1:]) / 2

# 设置柱子宽度（比bin宽度小）
width = 0.8 * (bins[1] - bins[0])

# 绘制条形图
plt.figure(figsize=(10, 6))
plt.bar(bin_centers, counts, width=width, edgecolor='black')
plt.title('Bar Plot as Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们首先计算了直方图数据，但没有实际绘制直方图。然后，我们计算了每个箱的中心位置。最后，我们使用plt.bar()函数绘制了条形图，将柱子的中心位置设置为箱的中心，并使用自定义的宽度。这种方法给了我们更多控制柱子间距的灵活性。

9. 使用seaborn库创建带间距的直方图

Seaborn是基于Matplotlib的统计数据可视化库，它提供了更高级的接口来创建各种统计图表，包括直方图。Seaborn的直方图函数默认就会在柱子之间添加一些间距，使得图表更加清晰易读。

以下是一个使用seaborn创建带间距直方图的例子：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 使用seaborn绘制直方图
plt.figure(figsize=(10, 6))
sns.histplot(data, bins=30, kde=True)
plt.title('Seaborn Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Count')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们使用了seaborn的histplot()函数来绘制直方图。kde=True参数添加了一条核密度估计曲线，这可以帮助我们更好地理解数据的分布。Seaborn自动为柱子之间添加了适当的间距，使图表更加美观。

10. 创建堆叠直方图并添加间距

在某些情况下，我们可能需要创建堆叠直方图，即在同一个图表中显示多个数据集的直方图，并且这些直方图是堆叠在一起的。我们可以结合之前学到的技巧来为堆叠直方图添加间距。

以下是一个创建带间距的堆叠直方图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1, 1000)

# 计算直方图数据
counts1, bins = np.histogram(data1, bins=30)
counts2, _ = np.histogram(data2, bins=bins)

# 计算柱子中心位置
bin_centers = (bins[:-1] + bins[1:]) / 2

# 设置柱子宽度
width = 0.8 * (bins[1] - bins[0])

# 绘制堆叠直方图
plt.figure(figsize=(10, 6))
plt.bar(bin_centers, counts1, width=width, alpha=0.7, label='Data 1')
plt.bar(bin_centers, counts2, width=width, bottom=counts1, alpha=0.7, label='Data 2')

plt.title('Stacked Histogram with Spacing - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.legend()
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们首先计算了两个数据集的直方图数据。然后，我们使用plt.bar()函数绘制了两个条形图，其中第二个条形图的bottom参数设置为第一个数据集的计数，这样就创建了堆叠效果。通过设置width参数小于箱的宽度，我们在柱子之间创造了间距。

11. 使用log刻度创建带间距的直方图

在处理跨越多个数量级的数据时，使用对数刻度的直方图可能会更有帮助。我们可以结合对数刻度和间距来创建更易读的直方图。

以下是一个创建带间距的对数刻度直方图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据（使用指数分布以展示对数刻度的效果）
data = np.random.exponential(1, 10000)

# 计算直方图数据
counts, bins, _ = plt.hist(data, bins=30)
plt.close()  # 关闭自动生成的图表

# 计算柱子中心位置
bin_centers = (bins[:-1] + bins[1:]) / 2

# 设置柱子宽度
width = 0.8 * (bins[1] - bins[0])

# 绘制对数刻度直方图
plt.figure(figsize=(10, 6))
plt.bar(bin_centers, counts, width=width, edgecolor='black')
plt.yscale('log')  # 设置y轴为对数刻度

plt.title('Log-scale Histogram with Spacing - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency (log scale)')
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们使用指数分布生成了数据，以更好地展示对数刻度的效果。我们使用plt.bar()函数绘制直方图，并通过设置width参数来添加间距。最后，我们使用plt.yscale('log')将y轴设置为对数刻度。

12. 创建3D直方图并添加间距

Matplotlib还支持创建3D图表，包括3D直方图。我们可以将之前学到的添加间距的技巧应用到3D直方图中。

以下是一个创建带间距的3D直方图的例子：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# 生成示例数据
x = np.random.normal(0, 1, 1000)
y = np.random.normal(0, 1, 1000)

# 创建3D图表
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 计算直方图数据
hist, xedges, yedges = np.histogram2d(x, y, bins=20)

# 创建网格
xpos, ypos = np.meshgrid(xedges[:-1] + 0.1, yedges[:-1] + 0.1, indexing="ij")
xpos = xpos.ravel()
ypos = ypos.ravel()
zpos = 0

# 计算柱子的大小
dx = 0.8 * (xedges[1] - xedges[0])
dy = 0.8 * (yedges[1] - yedges[0])
dz = hist.ravel()

# 绘制3D直方图
ax.bar3d(xpos, ypos, zpos, dx, dy, dz, zsort='average')

ax.set_title('3D Histogram with Spacing - how2matplotlib.com')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Frequency')

plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们首先生成了二维数据，然后使用np.histogram2d()计算2D直方图数据。我们使用ax.bar3d()函数来绘制3D直方图，通过设置dx和dy参数小于箱的宽度来创建间距。

13. 使用颜色渐变增强直方图可读性

除了添加间距，我们还可以使用颜色渐变来增强直方图的可读性。这种技巧可以帮助观察者更容易地识别数据的分布趋势。

以下是一个使用颜色渐变的带间距直方图示例：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 计算直方图数据
counts, bins, _ = plt.hist(data, bins=30)
plt.close()  # 关闭自动生成的图表

# 计算柱子中心位置
bin_centers = (bins[:-1] + bins[1:]) / 2

# 设置柱子宽度
width = 0.8 * (bins[1] - bins[0])

# 创建颜色映射
cmap = plt.get_cmap('viridis')
colors = cmap(counts / counts.max())

# 绘制带颜色渐变的直方图
plt.figure(figsize=(10, 6))
plt.bar(bin_centers, counts, width=width, color=colors, edgecolor='black')

plt.title('Histogram with Color Gradient - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Frequency')

# 添加颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=counts.min(), vmax=counts.max()))
sm.set_array([])
cbar = plt.colorbar(sm)
cbar.set_label('Frequency')

plt.show()

在这个例子中，我们使用了Matplotlib的颜色映射功能来为每个柱子分配颜色。颜色的深浅取决于每个箱中数据点的数量。我们还添加了一个颜色条来帮助解释颜色的含义。

14. 创建极坐标直方图并添加间距

Matplotlib还支持在极坐标系中创建直方图，这种类型的直方图有时被称为”玫瑰图”。我们同样可以为极坐标直方图添加间距。

以下是一个创建带间距的极坐标直方图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据（角度数据）
data = np.random.uniform(0, 2*np.pi, 1000)

# 创建极坐标图
fig = plt.figure(figsize=(10, 10))
ax = fig.add_subplot(111, projection='polar')

# 计算直方图数据
counts, bins = np.histogram(data, bins=16)

# 计算每个扇形的角度
angles = bins[:-1]

# 设置扇形的宽度（小于箱宽以创建间距）
width = 0.8 * (2*np.pi / 16)

# 绘制极坐标直方图
bars = ax.bar(angles, counts, width=width, bottom=0.0)

# 自定义颜色
for bar in bars:
    bar.set_facecolor(plt.cm.viridis(bar.get_height() / max(counts)))
    bar.set_alpha(0.8)

ax.set_title('Polar Histogram with Spacing - how2matplotlib.com')
ax.set_theta_zero_location('N')  # 设置0度位置在北方（上方）
ax.set_theta_direction(-1)  # 设置角度增加方向为顺时针

plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们生成了角度数据，然后使用ax.bar()函数在极坐标系中绘制直方图。通过设置width参数小于每个箱的角度宽度，我们在扇形之间创造了间距。我们还使用了颜色映射来增强可视化效果。

15. 使用KDE（核密度估计）代替直方图

虽然本文主要讨论如何为直方图添加间距，但值得一提的是，在某些情况下，使用核密度估计（KDE）可能是一个更好的选择。KDE可以提供数据分布的平滑估计，避免了直方图中的间距问题。

以下是一个使用KDE代替直方图的例子：

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# 生成示例数据
data = np.random.normal(0, 1, 1000)

# 创建图表
plt.figure(figsize=(10, 6))

# 绘制KDE
kde = stats.gaussian_kde(data)
x_range = np.linspace(data.min(), data.max(), 100)
plt.plot(x_range, kde(x_range), label='KDE')

# 为比较添加直方图
plt.hist(data, bins=30, density=True, alpha=0.5, label='Histogram')

plt.title('KDE vs Histogram - how2matplotlib.com')
plt.xlabel('Value')
plt.ylabel('Density')
plt.legend()
plt.show()

Output:

Matplotlib中如何为直方图添加间距：详细教程与实例

在这个例子中，我们使用scipy.stats.gaussian_kde函数计算了KDE，并将其与直方图进行了比较。KDE提供了一个平滑的曲线，避免了直方图中的间距问题，同时也避免了箱的数量选择问题。

结论

在Matplotlib中为直方图添加间距是一个简单但有效的技巧，可以显著提高图表的可读性和美观度。我们探讨了多种方法，从简单的rwidth参数调整，到更复杂的自定义图形绘制。每种方法都有其优点和适用场景，选择哪种方法取决于你的具体需求和数据特征。

除了添加间距，我们还讨论了一些相关的技巧，如使用颜色渐变、创建3D直方图和极坐标直方图等。这些技巧可以帮助你创建更加丰富和信息量大的数据可视化。

最后，我们还简要介绍了使用KDE作为直方图的替代方案。在某些情况下，KDE可能提供更好的数据分布表示。

无论你选择哪种方法，记住数据可视化的目标是清晰、准确地传达信息。适当的间距可以帮助实现这一目标，但也要注意不要过度使用，以免分散读者对数据本身的注意力。通过实践和经验，你将能够为每个特定的数据集和目标受众选择最合适的可视化方法。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程