当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

参考：Matplotlib.axis.Tick.set_rasterized() function in Python

Matplotlib是Python中最流行的数据可视化库之一，它提供了丰富的绘图功能和自定义选项。在Matplotlib的众多功能中，axis.Tick.set_rasterized()函数是一个非常有用但可能被忽视的工具。本文将深入探讨这个函数的用途、使用方法以及在不同场景下的应用，帮助你更好地优化图形渲染，提高绘图效率。

1. 什么是axis.Tick.set_rasterized()函数？

axis.Tick.set_rasterized()是Matplotlib库中的一个函数，它属于axis.Tick类。这个函数的主要作用是控制坐标轴刻度（tick）的渲染方式。通过设置rasterized参数，我们可以选择是否将刻度转换为位图（raster）格式。

1.1 函数语法

Tick.set_rasterized(rasterized)

参数rasterized是一个布尔值：
– 当rasterized=True时，刻度将被转换为位图格式。
– 当rasterized=False时（默认值），刻度将保持为矢量格式。

1.2 基本示例

让我们看一个简单的例子来了解如何使用这个函数：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制曲线
ax.plot(x, y, label='sin(x)')

# 获取x轴的刻度对象
xticks = ax.get_xticks()

# 设置x轴刻度为栅格化
for tick in ax.xaxis.get_major_ticks():
    tick.set_rasterized(True)

plt.title('How to use set_rasterized() - how2matplotlib.com')
plt.legend()
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们首先创建了一个简单的正弦曲线图。然后，我们遍历x轴的主要刻度，并对每个刻度调用set_rasterized(True)方法。这将使x轴的刻度在保存或显示时被转换为位图格式。

2. 为什么要使用set_rasterized()函数？

使用set_rasterized()函数主要有以下几个原因：

  1. 减小文件大小：当图形包含大量刻度时，将刻度转换为位图可以显著减小保存的文件大小，特别是对于矢量格式如PDF或SVG。

  2. 提高渲染速度：对于复杂的图形，栅格化可以提高渲染速度，使图形更快地显示或保存。

  3. 解决某些显示问题：在某些情况下，矢量格式的刻度可能会导致显示问题，使用栅格化可以解决这些问题。

  4. 控制输出质量：通过选择性地栅格化某些元素，可以在文件大小和图像质量之间取得平衡。

2.1 文件大小对比示例

让我们通过一个例子来展示栅格化如何影响文件大小：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 1000)
y = np.sin(x) * np.exp(-x/10)

# 创建两个子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 第一个子图：不使用栅格化
ax1.plot(x, y)
ax1.set_title('Without Rasterization - how2matplotlib.com')

# 第二个子图：使用栅格化
ax2.plot(x, y)
ax2.set_title('With Rasterization - how2matplotlib.com')
for tick in ax2.xaxis.get_major_ticks() + ax2.yaxis.get_major_ticks():
    tick.set_rasterized(True)

plt.tight_layout()

# 保存为PDF格式
plt.savefig('comparison_how2matplotlib.pdf')
plt.close()

# 打印文件大小
import os
print(f"File size: {os.path.getsize('comparison_how2matplotlib.pdf')} bytes")

在这个例子中，我们创建了两个相同的子图，但只对第二个子图的刻度应用了栅格化。然后我们将图形保存为PDF格式，并打印文件大小。你会发现，使用栅格化后的文件通常会小一些。

3. set_rasterized()函数的高级用法

除了基本用法，set_rasterized()函数还有一些高级应用场景：

3.1 选择性栅格化

有时我们可能只想栅格化某些特定的刻度，而保留其他刻度为矢量格式。这可以通过条件判断来实现：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots()
ax.plot(x, y)

for tick in ax.xaxis.get_major_ticks():
    if tick.get_loc() % 2 == 0:  # 只栅格化偶数位置的刻度
        tick.set_rasterized(True)

plt.title('Selective Rasterization - how2matplotlib.com')
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们只对x轴上偶数位置的刻度应用了栅格化。这种选择性栅格化可以在保持关键信息清晰的同时，减小文件大小。

3.2 动态栅格化

在某些情况下，我们可能需要根据图形的缩放级别动态决定是否应用栅格化。这可以通过结合使用set_rasterized()和Matplotlib的事件处理机制来实现：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 1000)
y = np.sin(x) * np.exp(-x/10)

fig, ax = plt.subplots()
line, = ax.plot(x, y)

def on_xlims_change(event_ax):
    xmin, xmax = event_ax.get_xlim()
    if xmax - xmin < 5:  # 当x轴范围小于5时应用栅格化
        for tick in ax.xaxis.get_major_ticks():
            tick.set_rasterized(True)
    else:
        for tick in ax.xaxis.get_major_ticks():
            tick.set_rasterized(False)
    fig.canvas.draw_idle()

ax.callbacks.connect('xlim_changed', on_xlims_change)

plt.title('Dynamic Rasterization - how2matplotlib.com')
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

这个例子展示了如何根据x轴的缩放范围动态决定是否应用栅格化。当x轴的范围小于5时，刻度会被栅格化；否则保持为矢量格式。

4. set_rasterized()函数与其他Matplotlib功能的结合

set_rasterized()函数可以与Matplotlib的其他功能结合使用，以实现更复杂的图形效果和优化。

4.1 与colorbar结合

当使用颜色图（colormap）时，我们可能想要栅格化colorbar的刻度：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 创建图形
fig, ax = plt.subplots()
im = ax.imshow(Z, cmap='viridis')

# 添加colorbar
cbar = fig.colorbar(im)

# 栅格化colorbar的刻度
for tick in cbar.ax.yaxis.get_major_ticks():
    tick.set_rasterized(True)

plt.title('Colorbar with Rasterized Ticks - how2matplotlib.com')
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们创建了一个颜色图，并为其添加了一个colorbar。然后，我们对colorbar的刻度应用了栅格化，这可以在保存大型图像时减小文件大小。

4.2 与3D图形结合

set_rasterized()函数也可以应用于3D图形的刻度：

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

# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建3D图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(X, Y, Z, cmap='viridis')

# 栅格化所有轴的刻度
for axis in [ax.xaxis, ax.yaxis, ax.zaxis]:
    for tick in axis.get_major_ticks():
        tick.set_rasterized(True)

plt.title('3D Plot with Rasterized Ticks - how2matplotlib.com')
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

这个例子展示了如何在3D图形中对所有轴的刻度应用栅格化。这对于复杂的3D图形特别有用，可以显著减小文件大小并提高渲染速度。

5. set_rasterized()函数的性能考虑

虽然set_rasterized()函数可以带来许多好处，但在使用时也需要考虑一些性能因素：

5.1 内存使用

栅格化可能会增加内存使用，特别是对于高分辨率的图形：

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据点
x = np.linspace(0, 100, 10000)
y = np.sin(x) + np.random.normal(0, 0.1, 10000)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 不使用栅格化
ax1.plot(x, y)
ax1.set_title('Without Rasterization - how2matplotlib.com')

# 使用栅格化
ax2.plot(x, y)
ax2.set_title('With Rasterization - how2matplotlib.com')
for tick in ax2.xaxis.get_major_ticks() + ax2.yaxis.get_major_ticks():
    tick.set_rasterized(True)

plt.tight_layout()
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们创建了两个包含大量数据点的图形。虽然栅格化可以减小文件大小，但在内存中处理这些栅格化的元素可能会消耗更多内存。

5.2 渲染时间

栅格化可能会影响图形的渲染时间：

import matplotlib.pyplot as plt
import numpy as np
import time

def create_plot(rasterized):
    x = np.linspace(0, 10, 1000)
    y = np.sin(x) * np.exp(-x/10)

    fig, ax = plt.subplots()
    ax.plot(x, y)

    if rasterized:
        for tick in ax.xaxis.get_major_ticks() + ax.yaxis.get_major_ticks():
            tick.set_rasterized(True)

    plt.title(f'{"Rasterized" if rasterized else "Non-rasterized"} Plot - how2matplotlib.com')

    start_time = time.time()
    plt.savefig(f'plot_{"rasterized" if rasterized else "non_rasterized"}_how2matplotlib.pdf')
    end_time = time.time()

    plt.close()
    return end_time - start_time

non_rasterized_time = create_plot(False)
rasterized_time = create_plot(True)

print(f"Non-rasterized rendering time: {non_rasterized_time:.4f} seconds")
print(f"Rasterized rendering time: {rasterized_time:.4f} seconds")

这个例子比较了使用和不使用栅格化时保存图形的时间。你可能会发现，对于某些图形，栅格化可能会略微增加渲染时间。

6. set_rasterized()函数的最佳实践

为了充分利用set_rasterized()函数，以下是一些最佳实践：

6.1 选择性使用

不是所有的元素都需要栅格化。通常，我们只需要对那些包含大量细节或可能导致文件大小显著增加的元素进行栅格化：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 1000)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots()

# 主要的数据曲线保持矢量格式
line1, = ax.plot(x, y1, label='sin(x)')
line2, = ax.plot(x, y2, label='cos(x)')

# 只栅格化刻度和网格线
ax.grid(True)
for tick in ax.xaxis.get_major_ticks() + ax.yaxis.get_major_ticks():
    tick.set_rasterized(True)
ax.grid(rasterized=True)

plt.title('Selective Rasterization - how2matplotlib.com')
plt.legend()
plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们只对刻度和网格线应用了栅格化，而保持主要的数据曲线为矢量格式。这样可以在保持关键数据清晰的同时，减小文件大小。

6.2 考虑输出格式

栅格化的效果在不同的输出格式中可能有所不同。对于矢量格式（如PDF或SVG），栅格化可以显著减小文件大小；而对于位图格式（如PNG或JPEG），栅格化的影响可能不太明显：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 1000)
y = np.sin(x) * np.exp(-x/10)

def save_plot(rasterized, format):
    fig, ax = plt.subplots()
    ax.plot(x, y)

    if rasterized:
        for tick in ax.xaxis.get_major_ticks() + ax.yaxis.get_major_ticks():
            tick.set_rasterized(True)

    plt.title(f'{"Rasterized" if rasterized else "Non-rasterized"} Plot - how2matplotlib.com')
    plt.savefig(f'plot_{"rasterized" if rasterized else "non_rasterized"}_how2matplotlib.{format}')
    plt.close()

# 保存为PDF格式
save_plot(False, 'pdf')
save_plot(True, 'pdf')

# 保存为PNG格式
save_plot(False, 'png')
save_plot(True, 'png')

# 打印文件大小
import os
for file in os.listdir():
    if file.startswith('plot_') and file.endswith(('pdf', 'png')):
        print(f"{file}: {os.path.getsize(file)} bytes")

这个例子展示了如何将同一图形以栅格化和非栅格化的方式保存为PDF和PNG格式。通过比较文件大小，你可以看到栅格化对不同格式的影响。

6.3 调整DPI

当使用栅格化时，调整DPI（每英寸点数）可以帮助平衡图像质量和文件大小：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 1000)
y = np.sin(x) * np.exp(-x/10)

def save_plot_with_dpi(dpi):
    fig, ax = plt.subplots()
    ax.plot(x, y)

    for tick in ax.xaxis.get_major_ticks() + ax.yaxis.get_major_ticks():
        tick.set_rasterized(True)

    plt.title(f'Rasterized Plot (DPI: {dpi}) - how2matplotlib.com')
    plt.savefig(f'plot_rasterized_dpi{dpi}_how2matplotlib.pdf', dpi=dpi)
    plt.close()

# 使用不同的DPI值保存图形
for dpi in [72, 150, 300]:
    save_plot_with_dpi(dpi)

# 打印文件大小
import os
for file in os.listdir():
    if file.startswith('plot_rasterized_dpi') and file.endswith('pdf'):
        print(f"{file}: {os.path.getsize(file)} bytes")

这个例子展示了如何使用不同的DPI值保存栅格化的图形。较高的DPI值会产生更高质量的图像，但文件大小也会相应增加。

7. set_rasterized()函数的常见问题和解决方案

使用set_rasterized()函数时可能会遇到一些常见问题，下面我们来看看这些问题及其解决方案：

7.1 栅格化后的图像模糊

有时，栅格化后的元素可能看起来模糊或像素化。这通常是由于DPI设置不当导致的：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 低DPI栅格化
ax1.plot(x, y)
for tick in ax1.xaxis.get_major_ticks() + ax1.yaxis.get_major_ticks():
    tick.set_rasterized(True)
ax1.set_title('Low DPI Rasterization - how2matplotlib.com')

# 高DPI栅格化
ax2.plot(x, y)
for tick in ax2.xaxis.get_major_ticks() + ax2.yaxis.get_major_ticks():
    tick.set_rasterized(True)
ax2.set_title('High DPI Rasterization - how2matplotlib.com')

plt.savefig('rasterization_comparison_how2matplotlib.pdf', dpi=300)
plt.close()

在这个例子中，我们创建了两个子图，一个使用低DPI栅格化，另一个使用高DPI栅格化。通过增加DPI值，我们可以得到更清晰的栅格化元素。

7.2 栅格化与透明度问题

有时，栅格化的元素可能与透明度设置不兼容：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 不使用栅格化
ax1.plot(x, y1, alpha=0.5, label='sin(x)')
ax1.plot(x, y2, alpha=0.5, label='cos(x)')
ax1.set_title('Without Rasterization - how2matplotlib.com')
ax1.legend()

# 使用栅格化
ax2.plot(x, y1, alpha=0.5, label='sin(x)')
ax2.plot(x, y2, alpha=0.5, label='cos(x)')
for artist in ax2.get_children():
    artist.set_rasterized(True)
ax2.set_title('With Rasterization - how2matplotlib.com')
ax2.legend()

plt.savefig('transparency_rasterization_how2matplotlib.pdf')
plt.close()

在这个例子中，我们比较了使用和不使用栅格化时透明度的效果。你可能会注意到，栅格化后的图形在处理透明度时可能会有一些差异。

7.3 栅格化与图例（Legend）的交互

有时，栅格化可能会影响图例的显示：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 不栅格化图例
ax1.plot(x, y1, label='sin(x)')
ax1.plot(x, y2, label='cos(x)')
for artist in ax1.get_children():
    artist.set_rasterized(True)
ax1.legend(rasterized=False)
ax1.set_title('Legend Not Rasterized - how2matplotlib.com')

# 栅格化图例
ax2.plot(x, y1, label='sin(x)')
ax2.plot(x, y2, label='cos(x)')
for artist in ax2.get_children():
    artist.set_rasterized(True)
ax2.legend(rasterized=True)
ax2.set_title('Legend Rasterized - how2matplotlib.com')

plt.savefig('legend_rasterization_how2matplotlib.pdf')
plt.close()

这个例子展示了如何单独控制图例的栅格化。通常，保持图例为矢量格式可以确保其在任何缩放级别下都清晰可读。

8. set_rasterized()函数在特殊图表类型中的应用

set_rasterized()函数不仅可以应用于常见的线图和散点图，还可以用于更复杂的图表类型。

8.1 在热图（Heatmap）中的应用

热图通常包含大量的小方格，栅格化可以显著减小文件大小：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data = np.random.rand(20, 20)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 不使用栅格化
im1 = ax1.imshow(data, cmap='viridis')
ax1.set_title('Heatmap without Rasterization - how2matplotlib.com')

# 使用栅格化
im2 = ax2.imshow(data, cmap='viridis', rasterized=True)
ax2.set_title('Heatmap with Rasterization - how2matplotlib.com')

plt.savefig('heatmap_rasterization_how2matplotlib.pdf')
plt.close()

在这个例子中，我们创建了两个热图，一个使用栅格化，一个不使用。对于包含大量小方格的热图，栅格化可以显著减小文件大小，同时保持视觉效果。

8.2 在等高线图中的应用

等高线图也可以从栅格化中受益，特别是当等高线非常密集时：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 不使用栅格化
cs1 = ax1.contourf(X, Y, Z, levels=20, cmap='viridis')
ax1.set_title('Contour without Rasterization - how2matplotlib.com')

# 使用栅格化
cs2 = ax2.contourf(X, Y, Z, levels=20, cmap='viridis', rasterized=True)
ax2.set_title('Contour with Rasterization - how2matplotlib.com')

plt.savefig('contour_rasterization_how2matplotlib.pdf')
plt.close()

这个例子展示了如何在等高线图中应用栅格化。对于复杂的等高线图，栅格化可以减小文件大小并提高渲染速度。

9. set_rasterized()函数与动画的结合

当创建动画时，set_rasterized()函数也可以派上用场，特别是当动画包含大量快速变化的元素时：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))

def update(frame):
    line.set_ydata(np.sin(x + frame/10))
    return line,

ani = FuncAnimation(fig, update, frames=100, blit=True)

# 栅格化动画中的某些元素
ax.set_title('Animated Plot - how2matplotlib.com')
for tick in ax.xaxis.get_major_ticks() + ax.yaxis.get_major_ticks():
    tick.set_rasterized(True)

plt.show()

Output:

Matplotlib中的axis.Tick.set_rasterized()函数：优化图形渲染的利器

在这个例子中，我们创建了一个简单的正弦波动画。通过栅格化刻度，我们可以减小生成的动画文件大小，同时保持主要动画内容的矢量格式。

10. 结论

axis.Tick.set_rasterized()函数是Matplotlib中一个强大而灵活的工具，可以帮助我们在图形质量和文件大小之间取得平衡。通过合理使用这个函数，我们可以：

  1. 显著减小输出文件的大小，特别是对于复杂的图形。
  2. 提高渲染速度，使图形更快地显示或保存。
  3. 解决某些特定的显示问题。
  4. 在保持关键信息清晰的同时优化整体性能。

然而，使用set_rasterized()函数时也需要注意一些潜在的问题，如图像质量、透明度处理等。通过调整DPI、选择性栅格化和考虑输出格式，我们可以最大化这个函数的优势。

在实际应用中，set_rasterized()函数的使用应该根据具体需求来决定。对于简单的图形，可能不需要使用栅格化；而对于复杂的图形，合理的栅格化策略可以带来显著的性能提升。

总之，掌握axis.Tick.set_rasterized()函数的使用，可以让我们在Matplotlib中创建更高效、更优化的数据可视化作品。无论是制作科研论文的图表，还是生成用于网页的交互式图形，这个函数都是一个值得掌握的强大工具。

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