当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib图例中使用多列布局：提升数据可视化效果

Matplotlib图例中使用多列布局：提升数据可视化效果

Matplotlib图例中使用多列布局：提升数据可视化效果

参考：Use multiple columns in a Matplotlib legend

在数据可视化中，图例是一个不可或缺的元素，它帮助读者理解图表中各种元素的含义。当我们需要在图表中展示大量数据系列时，单列的图例可能会占用过多的空间或者显得杂乱。Matplotlib提供了一种解决方案，允许我们在图例中使用多列布局。本文将详细介绍如何在Matplotlib中创建多列图例，以及如何优化图例的显示效果，从而提升整体的数据可视化质量。

为什么使用多列图例？

在处理复杂的数据可视化任务时，我们经常需要在一个图表中展示多个数据系列。随着数据系列数量的增加，传统的单列图例可能会面临以下问题：

  1. 占用过多垂直空间，挤压主图表区域。
  2. 图例过长，可能超出图表边界。
  3. 阅读困难，特别是在需要比较不同数据系列时。

多列图例可以有效解决这些问题，它能够：

  1. 更有效地利用水平空间，减少垂直方向的占用。
  2. 使图例更加紧凑，便于阅读和比较。
  3. 提高整体图表的美观度和专业性。

基本语法

在Matplotlib中，我们可以通过legend()函数的ncol参数来指定图例的列数。以下是基本语法：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 绘制曲线
plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Tan - how2matplotlib.com')

# 添加多列图例
plt.legend(ncol=3)  # 指定3列

plt.title('Trigonometric Functions')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用ncol=3来创建一个三列的图例。这个简单的修改就能显著改善图例的布局，使其更加紧凑和易读。

调整图例位置

图例的位置对于整体图表的平衡和美观至关重要。Matplotlib提供了多种方式来调整图例的位置：

使用预定义位置

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.exp(-x/10)

plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Exp - how2matplotlib.com')

# 使用预定义位置
plt.legend(ncol=3, loc='upper center')

plt.title('Functions with Legend at Upper Center')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用loc='upper center'将三列图例放置在图表的上方中央位置。Matplotlib提供了多个预定义位置，如’upper left’、’lower right’等，可以根据需要选择合适的位置。

使用坐标指定位置

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = x**2
y2 = x**3
y3 = np.sqrt(x)

plt.plot(x, y1, label='x^2 - how2matplotlib.com')
plt.plot(x, y2, label='x^3 - how2matplotlib.com')
plt.plot(x, y3, label='sqrt(x) - how2matplotlib.com')

# 使用坐标指定位置
plt.legend(ncol=3, loc=(0.1, 0.9))  # (x, y)坐标，范围在0到1之间

plt.title('Power Functions with Custom Legend Position')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何使用坐标来精确定位图例。loc=(0.1, 0.9)将图例放置在图表的左上角附近，其中x和y坐标都是相对于整个图表区域的比例值。

调整图例样式

除了位置和列数，我们还可以调整图例的各种样式属性，以使其更好地融入整体图表设计：

修改字体大小和样式

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.sin(2*x)
y3 = np.sin(3*x)

plt.plot(x, y1, label='sin(x) - how2matplotlib.com')
plt.plot(x, y2, label='sin(2x) - how2matplotlib.com')
plt.plot(x, y3, label='sin(3x) - how2matplotlib.com')

# 修改字体大小和样式
plt.legend(ncol=3, fontsize=12, prop={'family': 'serif', 'style': 'italic'})

plt.title('Sine Functions with Styled Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何通过fontsize和prop参数来调整图例的字体大小和样式。我们将字体大小设置为12，并使用衬线字体和斜体样式。

添加边框和背景

import matplotlib.pyplot as plt
import numpy as np

t = np.linspace(0, 10, 100)
y1 = np.exp(-t/10) * np.sin(2*np.pi*t)
y2 = np.exp(-t/5) * np.sin(2*np.pi*t)
y3 = np.exp(-t/2.5) * np.sin(2*np.pi*t)

plt.plot(t, y1, label='Decay 1 - how2matplotlib.com')
plt.plot(t, y2, label='Decay 2 - how2matplotlib.com')
plt.plot(t, y3, label='Decay 3 - how2matplotlib.com')

# 添加边框和背景
plt.legend(ncol=3, fancybox=True, shadow=True, framealpha=0.7)

plt.title('Decaying Sine Waves with Fancy Legend')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用fancybox=True来给图例添加圆角，shadow=True添加阴影效果，framealpha=0.7设置图例背景的透明度。这些设置可以使图例更加突出，同时又不会过分干扰主图表的内容。

处理大量图例项

当需要显示大量图例项时，多列布局变得尤为重要。以下是一些处理大量图例项的技巧：

自动计算最佳列数

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据系列
n_series = 15
x = np.linspace(0, 10, 100)
for i in range(n_series):
    y = np.sin(x + i/5)
    plt.plot(x, y, label=f'Series {i+1} - how2matplotlib.com')

# 自动计算最佳列数
n_col = min(5, (n_series + 1) // 2)  # 最多5列，至少2行
plt.legend(ncol=n_col, loc='center left', bbox_to_anchor=(1, 0.5))

plt.title('Multiple Series with Auto-calculated Legend Columns')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何根据图例项的数量自动计算最佳的列数。我们限制最大列数为5，确保至少有2行，这样可以在保持图例紧凑的同时不会使其过于宽广。

使用多行文本

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

plt.plot(x, y1, label='Sine Function\nhow2matplotlib.com')
plt.plot(x, y2, label='Cosine Function\nhow2matplotlib.com')
plt.plot(x, y3, label='Tangent Function\nhow2matplotlib.com')

# 使用多行文本
plt.legend(ncol=3, loc='upper center', bbox_to_anchor=(0.5, -0.05))

plt.title('Trigonometric Functions with Multi-line Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们在图例标签中使用\n来创建多行文本。这种方法可以在保持多列布局的同时，为每个图例项提供更详细的描述。

自定义图例

Matplotlib还允许我们创建完全自定义的图例，这在处理特殊的可视化需求时非常有用：

创建自定义图例项

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches

fig, ax = plt.subplots()

# 创建自定义图例项
red_patch = mpatches.Patch(color='red', label='Red - how2matplotlib.com')
blue_patch = mpatches.Patch(color='blue', label='Blue - how2matplotlib.com')
green_patch = mpatches.Patch(color='green', label='Green - how2matplotlib.com')

# 添加自定义图例
ax.legend(handles=[red_patch, blue_patch, green_patch], ncol=3)

plt.title('Custom Legend with Color Patches')
plt.axis('off')  # 隐藏坐标轴
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建不依赖于实际绘图数据的自定义图例。我们使用mpatches.Patch创建了三个颜色块，并将它们作为图例项添加到图表中。

混合使用线条和标记

import matplotlib.pyplot as plt
import matplotlib.lines as mlines

fig, ax = plt.subplots()

# 创建自定义图例项
blue_line = mlines.Line2D([], [], color='blue', marker='o',
                          markersize=15, label='Blue circle - how2matplotlib.com')
red_square = mlines.Line2D([], [], color='red', marker='s',
                           markersize=15, label='Red square - how2matplotlib.com')
green_triangle = mlines.Line2D([], [], color='green', marker='^',
                               markersize=15, label='Green triangle - how2matplotlib.com')

# 添加自定义图例
ax.legend(handles=[blue_line, red_square, green_triangle], ncol=3)

plt.title('Custom Legend with Lines and Markers')
plt.axis('off')  # 隐藏坐标轴
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建包含不同线条和标记的自定义图例。我们使用mlines.Line2D来创建不同颜色和形状的图例项，这在需要表示不同类型的数据点时非常有用。

图例的交互性

Matplotlib还支持创建交互式图例，这可以大大增强用户体验，特别是在处理复杂的多系列数据时：

可点击的图例

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

fig, ax = plt.subplots()

lines = []
lines.append(ax.plot(x, y1, label='Sin - how2matplotlib.com')[0])
lines.append(ax.plot(x, y2, label='Cos - how2matplotlib.com')[0])
lines.append(ax.plot(x, y3, label='Tan - how2matplotlib.com')[0])

# 创建可点击的图例
leg = ax.legend(ncol=3)

# 定义点击事件处理函数
def on_pick(event):
    legline = event.artist
    origline = lined[legline]
    visible = not origline.get_visible()
    origline.set_visible(visible)
    legline.set_alpha(1.0 if visible else 0.2)
    fig.canvas.draw()

lined = dict()
for legline, origline in zip(leg.get_lines(), lines):
    legline.set_picker(True)  # 启用拾取事件
    lined[legline] = origline

fig.canvas.mpl_connect('pick_event', on_pick)

plt.title('Interactive Legend - Click to Show/Hide')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子创建了一个可交互的图例。用户可以通过点击图例中的项目来显示或隐藏相应的数据系列。这种交互性在探索复杂数据集时特别有用，允许用户聚焦于特定的数据系列。

图例在子图中的应用

当处理多个子图时，图例的管理变得更加复杂。以下是一些在子图中使用多列图例的技巧：

每个子图单独的图例

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))

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

# 第一个子图
ax1.plot(x, np.sin(x), label='Sin - how2matplotlib.com')
ax1.plot(x, np.cos(x), label='Cos - how2matplotlib.com')
ax1.legend(ncol=2, loc='upper right')
ax1.set_title('Trigonometric Functions')

# 第二个子图
ax2.plot(x, x**2, label='x^2 - how2matplotlib.com')
ax2.plot(x, x**3, label='x^3 - how2matplotlib.com')
ax2.legend(ncol=2, loc='upper left')
ax2.set_title('Power Functions')

plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何为每个子图创建独立的多列图例。每个子图都有自己的图例，可以根据需要单独调整位置和样式。

共享图例

import matplotlib.pyplot as plt
import numpy as np

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

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

# 第一个子图
line1, = ax1.plot(x, np.sin(x), label='Sin - how2matplotlib.com')
line2, = ax1.plot(x, np.cos(x), label='Cos - how2matplotlib.com')
ax1.set_title('Trigonometric Functions')

# 第二个子图
line3, = ax2.plot(x, x**2, label='x^2 - how2matplotlib.com')
line4, = ax2.plot(x, x**3, label='x^3 - how2matplotlib.com')
ax2.set_title('Power Functions')

# 创建共享图例
fig.legend([line1, line2, line3, line4], 
           ['Sin', 'Cos', 'x^2', 'x^3'],
           ncol=4, loc='lower center', bbox_to_anchor=(0.5, -0.05))

plt.tight_layout()
plt.subplots_adjust(bottom=0.2)  # 为图例留出空间
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何为多个子图创建一个共享的多列图例。共享图例通常放置在所有子图的下方或上方，可以有效节省空间并提供一个统一的图例视图。

高级图例技巧

以下是一些高级技巧，可以进一步优化多列图例的使用：

自定义图例顺序

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Tan - how2matplotlib.com')

# 自定义图例顺序
handles, labels = plt.gca().get_legend_handles_labels()
order = [2, 0, 1]  # 指定顺序
plt.legend([handles[idx] for idx in order], [labels[idx] for idx in order], ncol=3)

plt.title('Trigonometric Functions with Custom Legend Order')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何自定义图例项的顺序。通过重新排列handles和labels，我们可以控制图例项在图例中的显示顺序，而不受它们在代码中的绘制顺序的影响。

图例分组

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = x**2
y4 = x**3

plt.plot(x, y1, 'r-', label='Sin - how2matplotlib.com')
plt.plot(x, y2, 'b-', label='Cos - how2matplotlib.com')
plt.plot(x, y3, 'g--', label='x^2 - how2matplotlib.com')
plt.plot(x, y4, 'm--', label='x^3 - how2matplotlib.com')

# 创建分组图例
from matplotlib.legend import Legend
leg1 = plt.legend(['Sin', 'Cos'], loc='upper left', title='Trigonometric')
plt.gca().add_artist(leg1)
leg2 = plt.legend(['x^2', 'x^3'], loc='lower right', title='Power')

plt.title('Functions with Grouped Legends')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建分组图例。我们创建了两个独立的图例，一个用于三角函数，另一个用于幂函数。这种方法在需要对不同类型的数据进行分类展示时非常有用。

图例中添加额外信息

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, y1, label='Sin')
plt.plot(x, y2, label='Cos')

# 创建带有额外信息的图例
legend_elements = [plt.Line2D([0], [0], color='C0', lw=2, label='Sin'),
                   plt.Line2D([0], [0], color='C1', lw=2, label='Cos'),
                   plt.Line2D([0], [0], color='none', label='Period: 2π'),
                   plt.Line2D([0], [0], color='none', label='Amplitude: 1')]

plt.legend(handles=legend_elements, ncol=2, title='Trigonometric Functions\nhow2matplotlib.com')

plt.title('Sine and Cosine with Extended Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何在图例中添加额外的信息。我们不仅显示了数据系列的标签，还添加了有关函数周期和振幅的额外信息。这种方法可以在不影响主图表的情况下提供更多上下文信息。

图例的性能优化

当处理大量数据或复杂图表时，图例的渲染可能会影响整体性能。以下是一些优化技巧：

使用简化的图例标记

import matplotlib.pyplot as plt
import numpy as np

# 生成大量数据系列
n_series = 50
x = np.linspace(0, 10, 1000)
for i in range(n_series):
    y = np.sin(x + i/5) + np.random.normal(0, 0.1, x.shape)
    plt.plot(x, y, label=f'Series {i+1}')

# 使用简化的图例标记
plt.legend(ncol=5, loc='center left', bbox_to_anchor=(1, 0.5),
           handlelength=1, handleheight=1, handletextpad=0.5,
           columnspacing=1)

plt.title('Multiple Series with Optimized Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们通过减小图例标记的大小和间距来优化图例的渲染。handlelength和handleheight控制图例标记的大小，handletextpad控制标记和文本之间的间距，columnspacing控制列之间的间距。这些调整可以显著减少图例所占用的空间，特别是在处理大量数据系列时。

使用图例代理

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据系列
n_series = 100
x = np.linspace(0, 10, 1000)
for i in range(n_series):
    y = np.sin(x + i/10) + np.random.normal(0, 0.1, x.shape)
    plt.plot(x, y)

# 创建图例代理
from matplotlib.lines import Line2D
legend_elements = [Line2D([0], [0], color='C0', lw=2, label='Series 1-33'),
                   Line2D([0], [0], color='C1', lw=2, label='Series 34-66'),
                   Line2D([0], [0], color='C2', lw=2, label='Series 67-100')]

plt.legend(handles=legend_elements, ncol=3, loc='upper center', bbox_to_anchor=(0.5, -0.05))

plt.title('Multiple Series with Legend Proxy - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何使用图例代理来处理大量数据系列。我们没有为每个数据系列创建单独的图例项，而是将它们分组并使用代理图例项。这种方法可以显著减少图例的复杂性，提高渲染性能。

结合其他Matplotlib功能

多列图例可以与Matplotlib的其他功能结合使用，以创建更复杂和信息丰富的可视化：

结合颜色映射

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y_base = np.sin(x)
n_lines = 5

# 创建颜色映射
cmap = plt.get_cmap('viridis')
colors = [cmap(i / (n_lines - 1)) for i in range(n_lines)]

# 绘制多条线并创建图例
for i, color in enumerate(colors):
    y = y_base + i * 0.5
    plt.plot(x, y, color=color, label=f'Line {i+1} - how2matplotlib.com')

# 添加颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=0, vmax=n_lines-1))
sm.set_array([])
cbar = plt.colorbar(sm)
cbar.set_label('Line Number')

# 创建多列图例
plt.legend(ncol=3, loc='upper left', bbox_to_anchor=(1.05, 1), borderaxespad=0.)

plt.title('Multiple Lines with Colormap and Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

这个例子展示了如何将多列图例与颜色映射结合使用。我们使用颜色映射为每条线分配不同的颜色，并在图例中显示这些颜色。同时，我们还添加了一个颜色条来提供额外的视觉参考。

结合注释

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots()

ax.plot(x, y1, label='Sin - how2matplotlib.com')
ax.plot(x, y2, label='Cos - how2matplotlib.com')

# 添加注释
ax.annotate('Peak', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.2),
            arrowprops=dict(facecolor='black', shrink=0.05))

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

# 创建多列图例
ax.legend(ncol=2, loc='lower center', bbox_to_anchor=(0.5, -0.2))

plt.title('Trigonometric Functions with Annotations')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何将多列图例与注释结合使用。我们在图表上添加了指向重要特征的注释，同时使用多列图例来标识不同的数据系列。这种组合可以提供丰富的上下文信息，帮助读者更好地理解数据。

总结

多列图例是Matplotlib中一个强大而灵活的功能，可以显著提升数据可视化的质量和可读性。通过本文介绍的各种技巧和示例，我们可以:

  1. 有效管理大量数据系列的图例。
  2. 优化图例的布局和样式，使其更加美观和易读。
  3. 创建交互式和自定义图例，以满足特定的可视化需求。
  4. 结合其他Matplotlib功能，创建更加丰富和信息量大的可视化。

在实际应用中，选择合适的图例样式和布局对于创建清晰、专业的数据可视化至关重要。多列图例不仅可以节省空间，还可以提高信息的组织性和可读性。通过灵活运用本文中的技巧，我们可以根据具体需求和数据特性，创建出既美观又实用的图表。

最后，值得注意的是，虽然多列图例提供了许多优势，但在使用时也需要考虑整体设计和数据呈现的平衡。过于复杂的图例可能会分散读者对主要数据的注意力。因此，在设计图表时，应始终以清晰传达数据信息为首要目标，合理使用多列图例来增强而不是喧宾夺主。

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