当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib 子图布局与不同大小的高级技巧

Matplotlib 子图布局与不同大小的高级技巧

Matplotlib 子图布局与不同大小的高级技巧

参考：matplotlib subplots with different sizes

matplotlib subplots with different sizes

Matplotlib是Python中最流行的绘图库之一，它提供了强大的绘图功能和灵活的布局选项。在数据可视化中，经常需要在同一个图形中展示多个相关但不同的图表。Matplotlib的子图（subplots）功能允许我们在一个图形窗口中创建多个轴域（axes），每个轴域可以包含一个独立的图表。而且，这些子图可以有不同的大小，以适应不同的数据展示需求。本文将深入探讨如何使用Matplotlib创建具有不同大小的子图，并通过丰富的示例代码来展示各种高级技巧和应用场景。

1. 基础知识：创建子图

在开始探索不同大小的子图之前，我们先回顾一下创建基本子图的方法。Matplotlib提供了几种创建子图的方式，最常用的是plt.subplots()函数和plt.subplot()函数。

1.1 使用plt.subplot()

plt.subplot()函数允许我们更灵活地创建子图。它使用三位数的参数来指定子图的位置。

import matplotlib.pyplot as plt
import numpy as np

# 创建一个图形
plt.figure(figsize=(12, 8))

# 创建4个子图
plt.subplot(221)
x = np.linspace(0, 5, 100)
plt.plot(x, x**2)
plt.title('Square Function - how2matplotlib.com')

plt.subplot(222)
plt.plot(x, np.sqrt(x))
plt.title('Square Root Function - how2matplotlib.com')

plt.subplot(223)
plt.plot(x, np.sin(x))
plt.title('Sine Function - how2matplotlib.com')

plt.subplot(224)
plt.plot(x, np.cos(x))
plt.title('Cosine Function - how2matplotlib.com')

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('subplot_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用plt.subplot()创建了四个子图。参数221表示2行2列的布局中的第一个子图，222表示第二个子图，以此类推。

2. 创建不同大小的子图

现在我们来探讨如何创建不同大小的子图。Matplotlib提供了几种方法来实现这一目标。

2.1 使用add_axes()

add_axes()方法允许我们通过指定位置和大小来精确控制子图的位置和尺寸。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形
fig = plt.figure(figsize=(12, 8))

# 创建不同大小和位置的子图
ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])  # [left, bottom, width, height]
ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3])

# 在子图中绘制内容
x = np.linspace(0, 10, 100)

ax1.plot(x, np.sin(x))
ax1.set_title('Main plot - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Inset plot - how2matplotlib.com')

# 显示图形
plt.show()

# 保存图形
plt.savefig('add_axes_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们创建了两个子图：一个大的主图和一个小的插入图。add_axes()方法的参数指定了子图的位置和大小，格式为[left, bottom, width, height]，其中所有值都是相对于整个图形的比例。

3. 调整子图大小和间距

创建不同大小的子图后，我们可能需要进一步调整它们的大小和间距以优化布局。

3.1 使用set_size_inches()

我们可以使用set_size_inches()方法来动态调整整个图形的大小。

import matplotlib.pyplot as plt
import numpy as np

# 创建子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 准备数据
x = np.linspace(0, 10, 100)

# 在子图中绘制内容
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 调整图形大小
fig.set_size_inches(12, 6)

# 显示图形
plt.show()

# 保存图形
plt.savefig('set_size_inches_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们首先创建了一个10×5英寸的图形，然后使用set_size_inches()方法将其调整为12×6英寸。

4. 高级应用：组合图表类型

在实际应用中，我们可能需要在同一个图形中组合不同类型的图表。以下是一些高级应用的示例。

4.1 组合折线图和柱状图

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8), height_ratios=[2, 1])

# 准备数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.random.rand(10)

# 在第一个子图中绘制折线图
ax1.plot(x, y1, label='Sine')
ax1.plot(x, y2, label='Cosine')
ax1.set_title('Trigonometric Functions - how2matplotlib.com')
ax1.legend()

# 在第二个子图中绘制柱状图
ax2.bar(range(10), y3)
ax2.set_title('Random Data - how2matplotlib.com')

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('combined_line_bar_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们在上方的子图中绘制了两条折线，在下方的子图中绘制了一个柱状图。这种组合可以用来比较不同类型的数据或展示数据的不同方面。

4.2 主图和放大图

有时我们需要在一个大的主图旁边显示数据的某个放大部分。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形
fig = plt.figure(figsize=(12, 6))

# 创建主图和放大图
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

# 准备数据
x = np.linspace(0, 10, 1000)
y = np.sin(x) + 0.1 * np.random.randn(1000)

# 在主图中绘制全部数据
ax1.plot(x, y)
ax1.set_title('Full Data - how2matplotlib.com')

# 在放大图中绘制局部数据
ax2.plot(x, y)
ax2.set_xlim(4, 5)
ax2.set_ylim(-0.5, 0.5)
ax2.set_title('Zoomed In - how2matplotlib.com')

# 在主图中标记放大区域
ax1.axvspan(4, 5, alpha=0.3, color='red')

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('main_and_zoomed_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们创建了两个子图：左侧显示完整的数据，右侧显示放大的部分。我们在主图中用半透明的红色区域标记了放大的区域，这有助于观察者理解放大图的来源。

4.3 组合极坐标图和笛卡尔坐标图

Matplotlib允许我们在同一个图形中组合不同类型的坐标系。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形
fig = plt.figure(figsize=(12, 6))

# 创建极坐标子图和笛卡尔坐标子图
ax1 = fig.add_subplot(121, projection='polar')
ax2 = fig.add_subplot(122)

# 准备数据
theta = np.linspace(0, 2*np.pi, 100)
r = np.abs(np.sin(2*theta) * np.cos(2*theta))
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 在极坐标子图中绘制
ax1.plot(theta, r)
ax1.set_title('Polar Plot - how2matplotlib.com')

# 在笛卡尔坐标子图中绘制
ax2.plot(x, y)
ax2.set_title('Cartesian Plot - how2matplotlib.com')

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('polar_cartesian_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

这个例子展示了如何在同一个图形中组合极坐标图和笛卡尔坐标图。这种组合可以用来比较在不同坐标系中表示的数据。

5. 动态调整子图大小

在某些情况下，我们可能需要根据数据或其他条件动态调整子图的大小。以下是一些实现这一目标的方法。

5.1 使用gridspec的update()方法

我们可以使用gridspec的update()方法在运行时调整子图的大小。

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

# 创建图形和网格规范
fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(2, 2)

# 创建子图
ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
ax3 = fig.add_subplot(gs[1, :])

# 准备数据
x = np.linspace(0, 10, 100)

# 在子图中绘制内容
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, np.tan(x))
ax3.set_title('Tangent - how2matplotlib.com')

# 调整子图大小
gs.update(hspace=0.5, wspace=0.3)

# 显示图形
plt.show()

# 保存图形
plt.savefig('gridspec_update_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用gs.update()方法来调整子图之间的间距。这种方法允许我们在创建图形后动态调整布局。

5.2 使用set_position()方法

对于更精细的控制，我们可以使用set_position()方法直接调整每个子图的位置和大小。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 准备数据
x = np.linspace(0, 10, 100)

# 在子图中绘制内容
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 调整第一个子图的大小
ax1.set_position([0.1, 0.1, 0.3, 0.8])  # [left, bottom, width, height]

# 调整第二个子图的大小
ax2.set_position([0.5, 0.1, 0.4, 0.8])

# 显示图形
plt.show()

# 保存图形
plt.savefig('set_position_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用set_position()方法直接设置每个子图的位置和大小。这种方法提供了最大的灵活性，但需要手动计算每个子图的位置。

6. 处理不同纵横比的子图

当处理不同纵横比的数据时，我们可能需要创建具有不同纵横比的子图。

6.1 使用set_aspect()方法

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 在子图中绘制内容
ax1.plot(x, y1)
ax1.set_title('Sine Wave (Equal Aspect) - how2matplotlib.com')
ax1.set_aspect('equal')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave (Auto Aspect) - how2matplotlib.com')
ax2.set_aspect('auto')

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('set_aspect_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用set_aspect()方法来设置子图的纵横比。’equal’设置确保x轴和y轴的比例相同，而’auto’设置允许Matplotlib自动调整纵横比以填充可用空间。

6.2 使用imshow()显示图像

当显示图像时，保持正确的纵横比尤为重要。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 创建两个不同纵横比的图像
image1 = np.random.rand(100, 100)
image2 = np.random.rand(100, 200)

# 显示图像
im1 = ax1.imshow(image1, cmap='viridis')
ax1.set_title('Square Image - how2matplotlib.com')

im2 = ax2.imshow(image2, cmap='plasma')
ax2.set_title('Rectangular Image - how2matplotlib.com')

# 添加颜色条
fig.colorbar(im1, ax=ax1)
fig.colorbar(im2, ax=ax2)

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('imshow_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们创建并显示了两个具有不同纵横比的图像。imshow()函数默认保持图像的原始纵横比。

7. 处理大量子图

在某些情况下，我们可能需要创建大量的子图。以下是一些处理这种情况的技巧。

7.1 使用循环创建子图

import matplotlib.pyplot as plt
import numpy as np

# 设置子图数量
n_rows, n_cols = 4, 5

# 创建图形和子图
fig, axs = plt.subplots(n_rows, n_cols, figsize=(15, 12))

# 准备数据
x = np.linspace(0, 10, 100)

# 使用循环填充子图
for i in range(n_rows):
    for j in range(n_cols):
        ax = axs[i, j]
        ax.plot(x, np.sin(x + (i*n_cols + j)*np.pi/10))
        ax.set_title(f'Plot {i*n_cols + j + 1} - how2matplotlib.com')
        ax.set_xticks([])
        ax.set_yticks([])

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('many_subplots_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用嵌套循环创建了20个子图，每个子图显示一个稍微不同相位的正弦波。这种方法适用于需要创建大量相似子图的情况。

7.2 使用plt.subplots_adjust()微调布局

当处理大量子图时，可能需要更精细地控制子图之间的间距。

import matplotlib.pyplot as plt
import numpy as np

# 设置子图数量
n_rows, n_cols = 3, 4

# 创建图形和子图
fig, axs = plt.subplots(n_rows, n_cols, figsize=(15, 10))

# 准备数据
x = np.linspace(0, 10, 100)

# 使用循环填充子图
for i in range(n_rows):
    for j in range(n_cols):
        ax = axs[i, j]
        ax.plot(x, np.sin(x + (i*n_cols + j)*np.pi/6))
        ax.set_title(f'Plot {i*n_cols + j + 1} - how2matplotlib.com')
        ax.set_xticks([])
        ax.set_yticks([])

# 调整子图之间的间距
plt.subplots_adjust(left=0.05, right=0.95, top=0.95, bottom=0.05, wspace=0.3, hspace=0.4)

# 显示图形
plt.show()

# 保存图形
plt.savefig('subplots_adjust_example.png')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们使用plt.subplots_adjust()函数来精细调整子图之间的间距和图形边缘的空白。这对于优化大量子图的布局非常有用。

8. 高级样式和美化技巧

创建具有不同大小的子图后，我们可能还想进一步美化图表以提高其视觉吸引力和可读性。以下是一些高级样式和美化技巧。

8.1 添加注释和箭头

添加注释可以帮助解释图表中的特定特征或重要点。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和子图
fig, ax = plt.subplots(figsize=(10, 6))

# 准备数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

# 绘制主要内容
ax.plot(x, y)
ax.set_title('Sine Wave with Annotations - how2matplotlib.com', fontsize=16)

# 添加注释和箭头
ax.annotate('Maximum', xy=(np.pi/2, 1), xytext=(np.pi/2 - 0.5, 1.2),
            arrowprops=dict(facecolor='black', shrink=0.05),
            fontsize=12)

ax.annotate('Minimum', xy=(3*np.pi/2, -1), xytext=(3*np.pi/2 + 0.5, -1.2),
            arrowprops=dict(facecolor='black', shrink=0.05),
            fontsize=12)

# 设置轴标签
ax.set_xlabel('x', fontsize=14)
ax.set_ylabel('sin(x)', fontsize=14)

# 添加网格
ax.grid(True, linestyle='--', alpha=0.7)

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('annotated_plot_example.png', dpi=300, bbox_inches='tight')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们在正弦波的最大值和最小值处添加了注释和箭头。这种技术可以用来突出图表中的重要特征。

8.2 使用多个y轴

有时，我们可能需要在同一个子图中显示具有不同范围的多个数据集。使用多个y轴可以解决这个问题。

import matplotlib.pyplot as plt
import numpy as np

# 创建图形和主轴
fig, ax1 = plt.subplots(figsize=(10, 6))

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.exp(x)

# 绘制第一个数据集
color = 'tab:blue'
ax1.set_xlabel('x', fontsize=14)
ax1.set_ylabel('sin(x)', color=color, fontsize=14)
ax1.plot(x, y1, color=color)
ax1.tick_params(axis='y', labelcolor=color)

# 创建第二个y轴
ax2 = ax1.twinx()
color = 'tab:orange'
ax2.set_ylabel('exp(x)', color=color, fontsize=14)
ax2.plot(x, y2, color=color)
ax2.tick_params(axis='y', labelcolor=color)

# 设置标题
plt.title('Two Scales Plot - how2matplotlib.com', fontsize=16)

# 添加图例
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')

# 调整布局
fig.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('dual_axis_example.png', dpi=300, bbox_inches='tight')

Output:

Matplotlib 子图布局与不同大小的高级技巧

在这个例子中，我们创建了两个y轴，一个用于显示正弦函数，另一个用于显示指数函数。这种技术允许我们在同一个图表中比较具有不同范围的数据。

9. 交互式子图调整

在某些情况下，我们可能希望能够交互式地调整子图的大小和布局。Matplotlib提供了一些工具来实现这一目标。

9. 子图中的3D图形

Matplotlib不仅支持2D图形，还支持3D图形。我们可以在不同大小的子图中创建3D图形。

9.1 创建3D子图

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

# 创建图形
fig = plt.figure(figsize=(12, 6))

# 创建3D子图
ax1 = fig.add_subplot(121, projection='3d')
ax2 = fig.add_subplot(122, projection='3d')

# 准备数据
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z1 = np.sin(np.sqrt(X**2 + Y**2))
Z2 = np.cos(np.sqrt(X**2 + Y**2))

# 绘制3D表面
surf1 = ax1.plot_surface(X, Y, Z1, cmap='viridis')
ax1.set_title('3D Sine - how2matplotlib.com')

surf2 = ax2.plot_surface(X, Y, Z2, cmap='plasma')
ax2.set_title('3D Cosine - how2matplotlib.com')

# 添加颜色条
fig.colorbar(surf1, ax=ax1, shrink=0.5, aspect=5)
fig.colorbar(surf2, ax=ax2, shrink=0.5, aspect=5)

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('3d_subplots_example.png', dpi=300, bbox_inches='tight')

Output:

Matplotlib 子图布局与不同大小的高级技巧

这个例子展示了如何在两个子图中创建3D表面图。我们使用projection='3d'参数来指定3D子图。

9.2 组合2D和3D子图

我们也可以在同一个图形中组合2D和3D子图。

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

# 创建图形
fig = plt.figure(figsize=(12, 8))

# 创建2D和3D子图
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222, projection='3d')
ax3 = fig.add_subplot(223)
ax4 = fig.add_subplot(224, projection='3d')

# 准备数据
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))

# 绘制2D图形
ax1.contourf(X, Y, Z, cmap='viridis')
ax1.set_title('2D Contour - how2matplotlib.com')

ax3.imshow(Z, cmap='plasma', extent=[-5, 5, -5, 5])
ax3.set_title('2D Image - how2matplotlib.com')

# 绘制3D图形
ax2.plot_surface(X, Y, Z, cmap='viridis')
ax2.set_title('3D Surface - how2matplotlib.com')

ax4.plot_wireframe(X, Y, Z, color='r')
ax4.set_title('3D Wireframe - how2matplotlib.com')

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()

# 保存图形
plt.savefig('2d_3d_combined_example.png', dpi=300, bbox_inches='tight')

Output:

Matplotlib 子图布局与不同大小的高级技巧

这个例子展示了如何在一个图形中组合2D和3D子图，展示同一数据集的不同表示方法。

结论

通过本文，我们深入探讨了Matplotlib中创建具有不同大小的子图的各种方法和技巧。从基本的子图创建到复杂的布局设计，从2D图形到3D可视化，从静态图表到动态动画，我们涵盖了广泛的主题。

Matplotlib的灵活性和强大功能使其成为数据可视化的优秀工具。通过掌握这些技巧，你可以创建出既信息丰富又视觉吸引的图表，有效地传达你的数据故事。

记住，数据可视化是一门艺术，也是一门科学。技术熟练度很重要，但同样重要的是理解你的数据、你的受众，以及你想要传达的信息。继续实践，不断探索新的可视化方法，你将能够创造出越来越令人印象深刻的数据可视化作品。

最后，我鼓励你继续深入学习Matplotlib的更多高级特性，并探索其他数据可视化库，如Seaborn、Plotly等，以进一步扩展你的数据可视化技能。记住，在数据科学和数据分析领域，有效的数据可视化是一项关键技能，值得你投入时间和精力去掌握。

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