matplotlib.pyplot 是使 matplotlib 像 MATLAB 一样工作的函数集合。这篇博客将介绍

1. 单图单线
2. 单图多线不同样式（红色圆圈、蓝色实线、绿色三角等）
3. 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）
4. 使用分类变量绘图（绘制条形图、散点图、折线图）
5. 多子表多轴及共享轴
6. 多子表（水平堆叠、垂直堆叠、水平垂直堆叠、水平垂直堆叠共享轴、水平垂直堆叠去掉子图中间的冗余xy标签及间隙、极坐标风格轴示例）；

• plt.set_title(‘simple plot’, loc = ‘left’)
  设置表示标题，默认位于中间，也可位于left靠左，right靠右

• t = plt.xlabel(‘Smarts’, fontsize=14, color=‘red’)
  表示设置x标签的文本，字体大小，颜色

• plt.plot([1, 2, 3, 4])
  如果提供的单个列表或数组，matplot假定提供的是y的值；x默认跟y个数一致，但从0开始，表示x:[0,1,2,3]

• plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
  表示x:[1,2,3,4],y:[1,4,9,16]

• plt.plot([1, 2, 3, 4], [1, 4, 9, 16], ‘ro’)
  表示x:[1,2,3,4],y:[1,4,9,16]，然后指定线的颜色和样式（ro：红色圆圈，b-：蓝色实线等）

• plt.axis([0, 6, 0, 20])
  plt.axix[xmin, xmax, ymin, ymax] 表示x轴的刻度范围[0,6], y轴的刻度范围[0,20]

• plt.bar(names, values) # 条形图

• plt.scatter(names, values) # 散点图

• plt.plot(names, values) # 折线图

• fig, ax = plt.subplots(2, sharex=True, sharey=True) 可创建多表，并指定共享x，y轴，然后ax[0],ax[1]绘制data

• fig, (ax1, ax2) = plt.subplots(2, sharex=True, sharey=True) 可创建多表，并指定共享x，y轴

• fig, (ax1, ax2) = plt.subplots(2, sharex=True, sharey=True) 可创建多表，垂直堆叠表 2行1列

• fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True) 可创建多表，水平堆叠表 1行2列

• fig, (ax1, ax2) = plt.subplots(2, 2, sharex=True, sharey=True，hspace=0，wspace=0) 可创建多表，水平垂直堆叠表 2行2列，共享x，y轴，并去除子图宽度和高度之间的缝隙

共享x，y轴表示共享x，y轴的刻度及值域；

• plt.text(60, .025, r’μ=100,σ=15\mu=100,\ \sigma=15μ=100, σ=15’)
  表示在60，0.025处进行文本（μ=100,σ=15\mu=100,\ \sigma=15μ=100, σ=15）的标注

1. 单图单线

# 单图单线
import matplotlib.pyplot as plt# 如果提供单个列表或数组，matplotlib 会假定它是一个 y 值序列，并自动为您生成 x 值。
# 由于 python 范围从 0 开始，默认的 x 向量与 y 具有相同的长度，但从 0 开始。因此 x 数据是 [0, 1, 2, 3]
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()# 对于每对 x, y 参数，都有一个可选的第三个参数，它是指示绘图颜色和线型的格式字符串。
# 格式字符串的字母和符号来自 MATLAB，将颜色字符串与线型字符串连接起来。默认格式字符串是“b-”，这是一条蓝色实线。'ro'红色圆圈
plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis([0, 6, 0, 20])  # 刻度轴的范围，x：0~6，y：0~20
plt.show()

2. 单图多线不同样式（红色圆圈、蓝色实线、绿色三角等）

• ’b-‘：蓝色实线
• ‘ro’：红色圆圈
• ‘r–’：红色破折号
• ‘bs’：蓝色方形
• ‘g^’：绿色三角

线的颜色和样式可参考

mark标记：

‘.’ point marker
‘,’ pixel marker
‘o’ circle marker
‘v’ triangle_down marker
‘^’ triangle_up marker
‘<’ triangle_left marker
‘>’ triangle_right marker
‘1’ tri_down marker
‘2’ tri_up marker
‘3’ tri_left marker
‘4’ tri_right marker
‘8’ octagon marker
‘s’ square marker
‘p’ pentagon marker
‘P’ plus (filled) marker
‘*’ star marker
‘h’ hexagon1 marker
‘H’ hexagon2 marker
‘+’ plus marker
‘x’ x marker
‘X’ x (filled) marker
‘D’ diamond marker
‘d’ thin_diamond marker
‘|’ vline marker
‘_’ hline marker

• 支持的颜色：

‘b’ blue 蓝色
‘g’ green 绿色
‘r’ red 红色
‘c’ cyan 兰青色
‘m’ magenta 紫色
‘y’ yellow 黄色
‘k’ black 黑色
‘w’ white 白色

• 支持的点的样式：

‘-’ solid line style 实线
‘–’ dashed line style 虚线
‘-.’ dash-dot line style 点划线
‘:’ dotted line style 虚线

import matplotlib.pyplot as pltimport numpy as np# 以 200 毫秒的间隔均匀采样时间
t = np.arange(0., 5., 0.2)# 'r--':红色破折号,  'bs'：蓝色方形 ，'g^'：绿色三角
plt.plot(t, t, 'r--', t, t ** 2, 'bs', t, t ** 3, 'g^')
plt.show()

3. 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）

import matplotlib.pyplot as pltimport numpy as np# 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）
data = {'a': np.arange(50),  # 1个参数，表示[0,1,2...,50]'c': np.random.randint(0, 50, 50),  # 表示产生50个随机数[0,50)'d': np.random.randn(50)}  # 返回呈标准正态分布的值（可能正，可能负）
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100print(np.arange(50))
print(np.random.randint(0, 50, 50))
print(np.random.randn(50))
print(data['b'])
print(data['d'])plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()

4. 使用分类变量绘图（绘制条形图、散点图、折线图）

• plt.bar(names, values) # 条形图
• plt.scatter(names, values) # 散点图
• plt.plot(names, values) # 折线图

import matplotlib.pyplot as pltimport numpy as np# 用分类变量绘图
names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]plt.figure(figsize=(9, 3))plt.subplot(131)
plt.bar(names, values)  # 条形图
plt.subplot(132)
plt.scatter(names, values)  # 散点图
plt.subplot(133)
plt.plot(names, values)  # 折线图
plt.suptitle('Categorical Plotting')
plt.show()# 控制线条属性：线条有许多可以设置的属性：线宽、虚线样式、抗锯齿等；
lines = plt.plot(10, 20, 30, 100)
# use keyword args
plt.setp(lines, color='r', linewidth=2.0)
# or MATLAB style string value pairs
plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
line, = plt.plot(np.arange(50), np.arange(50) + 10, '-')
plt.show()

5. 多子表多轴及共享轴

多子表多轴，先用点再用线连接，效果图如下：
多子表多轴，绘制点效果图如下：

import matplotlib.pyplot as plt
import numpy as np# 多表和多轴
def f(t):return np.exp(-t) * np.cos(2 * np.pi * t)t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)plt.figure()
plt.subplot(211)  # 2行1列共俩个子表，中间的2,1,1同211
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')  # 绘制蓝色圆圈（t1，f(t1)），然后用黑色线连接值plt.subplot(212)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()# 图1去掉t2，f(t2)并没有把结果进行连线
plt.figure()
plt.subplot(211)  # 2行1列共俩个子表，中间的2,1,1同211
plt.plot(t1, f(t1), 'bo')plt.subplot(212)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()

多子表共享y轴，效果图如下：

fig, (ax1, ax2) = plt.subplots(2, sharey=True) 共享y轴

# 多子表共享轴
import numpy as np
import matplotlib.pyplot as plt# 构建绘图数据
x1 = np.linspace(0.0, 5.0)
x2 = np.linspace(0.0, 2.0)
y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2)# 绘制俩个子图，共享y轴
fig, (ax1, ax2) = plt.subplots(2, sharey=True)ax1.plot(x1, y1, 'ko-')
ax1.set(title='A tale of 2 subplots', ylabel='Damped oscillation')ax2.plot(x2, y2, 'r.-')
ax2.set(xlabel='time (s)', ylabel='Undamped')plt.show()

6. 多子表

6.1 多子表垂直堆叠

6.2 多子表水平堆叠

6.3 多子表垂直水平堆叠

隐藏顶部2子图的x标签，和右侧2子图的y标签，效果图如下：

同上图，共享x列，y行的坐标轴~

6.4 多子表共享轴（去除垂直、水平堆叠子表之间宽度和高度之间的缝隙）

共享x轴并对齐，效果图如下：

共享x，y轴效果如下图：

共享x，y轴表示共享其值域及刻度；

对于共享轴的子图，一组刻度标签就足够了。内部轴的刻度标签由 sharex 和 sharey 自动删除。子图之间仍然有一个未使用的空白空间；

要精确控制子图的定位，可以使用fig.add_gridspec(hspace=0) 减少垂直子图之间的高度。fig.add_gridspec(wspace=0) 减少水平子图之间的高度。

共享x，y轴，并删除多个子表之间高度的缝隙，效果如下图：

共享x，y轴，并删除多个子表冗余xy标签，及子图之间宽度、高度的缝隙，效果如下图：

6.5 多子表极坐标风格轴

6.6 多子表源码

# 多子表示例：水平堆叠、垂直堆叠、水平垂直堆叠、水平垂直堆叠共享轴、水平垂直堆叠去掉子图中间的冗余xy标签及间隙；import matplotlib.pyplot as plt
import numpy as np# 样例数据
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)def single_plot():fig, ax = plt.subplots()ax.plot(x, y)ax.set_title('A single plot')plt.show()def stacking_plots_one_direction():# pyplot.subplots 的前两个可选参数定义子图网格的行数和列数。# 当仅在一个方向上堆叠时，返回的轴是一个一维 numpy 数组，其中包含创建的轴列表。fig, axs = plt.subplots(2)fig.suptitle('Vertically stacked subplots')axs[0].plot(x, y)axs[1].plot(x, -y)plt.show()# 当只创建几个 Axes，可将它们立即解压缩到每个 Axes 的专用变量会很方便fig, (ax1, ax2) = plt.subplots(2)fig.suptitle('Vertically stacked subplots')ax1.plot(x, y)ax2.plot(x, -y)plt.show()# 水平方向堆叠子图fig, (ax1, ax2) = plt.subplots(1, 2)fig.suptitle('Horizontally stacked subplots')ax1.plot(x, y)ax2.plot(x, -y)plt.show()def stacking_plots_two_directions():# 在两个方向上堆叠子图时，返回的 axs 是一个 2D NumPy 数组。表示俩行俩列的表fig, axs = plt.subplots(2, 2)axs[0, 0].plot(x, y)axs[0, 0].set_title('Axis [0, 0]')axs[0, 1].plot(x, y, 'tab:orange')axs[0, 1].set_title('Axis [0, 1]')axs[1, 0].plot(x, -y, 'tab:green')axs[1, 0].set_title('Axis [1, 0]')axs[1, 1].plot(x, -y, 'tab:red')axs[1, 1].set_title('Axis [1, 1]')for ax in axs.flat:ax.set(xlabel='x-label', ylabel='y-label')# 隐藏顶部2子图的x标签，和右侧2子图的y标签for ax in axs.flat:ax.label_outer()plt.show()# 也可以在 2D 中使用元组解包将所有子图分配给专用变量fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2)fig.suptitle('Sharing x per column, y per row')ax1.plot(x, y)ax2.plot(x, y ** 2, 'tab:orange')ax3.plot(x, -y, 'tab:green')ax4.plot(x, -y ** 2, 'tab:red')for ax in fig.get_axes():ax.label_outer()plt.show()def sharing_axs():fig, (ax1, ax2) = plt.subplots(2)fig.suptitle('Axes values are scaled individually by default')ax1.plot(x, y)ax2.plot(x + 1, -y)plt.show()# 共享x轴，对齐x轴fig, (ax1, ax2) = plt.subplots(2, sharex=True)fig.suptitle('Aligning x-axis using sharex')ax1.plot(x, y)ax2.plot(x + 1, -y)plt.show()# 共享x，y轴fig, axs = plt.subplots(3, sharex=True, sharey=True)fig.suptitle('Sharing both axes')axs[0].plot(x, y ** 2)axs[1].plot(x, 0.3 * y, 'o')axs[2].plot(x, y, '+')plt.show()# 对于共享轴的子图，一组刻度标签就足够了。内部轴的刻度标签由 sharex 和 sharey 自动删除。子图之间仍然有一个未使用的空白空间；# 要精确控制子图的定位，可以使用 Figure.add_gridspec 显式创建一个 GridSpec，然后调用其子图方法。例如可以使用 add_gridspec(hspace=0) 减少垂直子图之间的高度。fig = plt.figure()gs = fig.add_gridspec(3, hspace=0)axs = gs.subplots(sharex=True, sharey=True)fig.suptitle('Sharing both axes')axs[0].plot(x, y ** 2)axs[1].plot(x, 0.3 * y, 'o')axs[2].plot(x, y, '+')# 隐藏除了底部x标签及刻度外，其他子图的x标签及刻度# label_outer 是一种从不在网格边缘的子图中删除标签和刻度的方便方法。for ax in axs:ax.label_outer()plt.show()# 2*2多图堆叠，共享x，y轴，并去除子图之间宽度和高度之间的缝隙fig = plt.figure()gs = fig.add_gridspec(2, 2, hspace=0, wspace=0)(ax1, ax2), (ax3, ax4) = gs.subplots(sharex='col', sharey='row')fig.suptitle('Sharing x per column, y per row')ax1.plot(x, y)ax2.plot(x, y ** 2, 'tab:orange')ax3.plot(x + 1, -y, 'tab:green')ax4.plot(x + 2, -y ** 2, 'tab:red')for ax in axs.flat:ax.label_outer()plt.show()# 复杂结构的共享轴代码fig, axs = plt.subplots(2, 2)axs[0, 0].plot(x, y)axs[0, 0].set_title("main")axs[1, 0].plot(x, y ** 2)axs[1, 0].set_title("shares x with main")axs[1, 0].sharex(axs[0, 0])axs[0, 1].plot(x + 1, y + 1)axs[0, 1].set_title("unrelated")axs[1, 1].plot(x + 2, y + 2)axs[1, 1].set_title("also unrelated")fig.tight_layout()plt.show()def polar_axs():fig, (ax1, ax2) = plt.subplots(1, 2, subplot_kw=dict(projection='polar'))ax1.plot(x, y)ax2.plot(x, y ** 2)plt.title('polar axs')plt.show()# 仅单表
single_plot()# 仅单方向堆叠子表（垂直方向堆叠，水平方向堆叠）
stacking_plots_one_direction()# 水平垂直堆叠子图
stacking_plots_two_directions()# 共享轴
sharing_axs()# 极坐标风格轴
polar_axs()

7. 图表中文本标注（箭头注释）

简单文本标注（只设置要标注的文本内容，起始位置），效果图如下：

# 表示在60，0.025处进行文本('$\mu=100,\ \sigma=15$')的标注,
# 字符串前面的 r 很重要——它表示字符串是一个原始字符串，而不是将反斜杠视为 python 转义
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')

文本标注箭头效果图如下：（需设置箭头起始位置，文本起始位置，文本值）

# 文本的一个常见用途是对绘图的某些特征进行注释，而 annotate 方法提供了辅助功能来简化注释。
# 在注释中，有两点需要考虑：由参数 xy 表示的被注释的位置和文本 xytext 的位置。这两个参数都是 (x, y) 元组。
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),arrowprops=dict(facecolor='yellow', shrink=0.05),)

# 文本标注
import matplotlib.pyplot as plt
import numpy as np# 简单文本注释
def simplt_text():mu, sigma = 100, 15x = mu + sigma * np.random.randn(10000)# 直方图数据n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)# 设置x标签的文本，字体大小，颜色t = plt.xlabel('Smarts', fontsize=14, color='red')plt.ylabel('Probability')plt.title('Histogram of IQ', loc='left')# 表示在60，0.025处进行文本('$\mu=100,\ \sigma=15$')的标注, 字符串前面的 r 很重要——它表示字符串是一个原始字符串，而不是将反斜杠视为 python 转义plt.text(60, .025, r'$\mu=100,\ \sigma=15$')plt.axis([40, 160, 0, 0.03])plt.grid(True)plt.show()# 箭头文本标注
def annotation_text():ax = plt.subplot()t = np.arange(0.0, 5.0, 0.01)s = np.cos(2 * np.pi * t)line, = plt.plot(t, s, lw=2)# 文本的一个常见用途是对绘图的某些特征进行注释，而 annotate 方法提供了辅助功能来简化注释。# 在注释中，有两点需要考虑：由xy: 箭头位置，xytext：文本位置。这两个参数都是 (x, y) 元组。plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),arrowprops=dict(facecolor='yellow', shrink=0.05),)plt.ylim(-2, 2)plt.show()# 简单文本注释
simplt_text()# 箭头文本标注
annotation_text()

8. 对数轴和其他非线性轴

线性轴 VS 对数轴 VS 线性对称轴 VS logit轴：

# matplotlib.pyplot 不仅支持线性轴刻度，还支持对数和 logit 刻度import matplotlib.pyplot as plt
import numpy as np# 线性轴 对数轴 对称对数轴 logit轴
def logit_plot():# 设置种子，以保证随机可重复性显现np.random.seed(19680801)# 在开区间（0，1）补充一些数据# 从正态（高斯）分布中抽取随机样本y = np.random.normal(loc=0.5, scale=0.4, size=1000)y = y[(y > 0) & (y < 1)]y.sort()x = np.arange(len(y))# 绘制不同坐标轴维度的数据plt.figure()# 线性plt.subplot(221)plt.plot(x, y)plt.yscale('linear')plt.title('linear')plt.grid(True)# 对数plt.subplot(222)plt.plot(x, y)plt.yscale('log')plt.title('log')plt.grid(True)# symmetric log对称对象轴plt.subplot(223)plt.plot(x, y - y.mean())plt.yscale('symlog', linthresh=0.01)plt.title('symlog')plt.grid(True)# logitplt.subplot(224)plt.plot(x, y)plt.yscale('logit')plt.title('logit')plt.grid(True)# 调整子图的布局，因为logit会占用比其他更多的空间，y在"1 - 10^{-3}"plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,wspace=0.35)plt.show()# matplotlib.pyplot 不仅支持线性轴刻度，还支持对数和 logit 刻度
# 线性轴 对数轴 对称对数轴 logit轴
logit_plot()

参考

• https://matplotlib.org/stable/tutorials/introductory/pyplot.html#sphx-glr-tutorials-introductory-pyplot-py
• https://matplotlib.org/stable/gallery/subplots_axes_and_figures/subplot_demo.html
• https://matplotlib.org/stable/gallery/subplots_axes_and_figures/subplots_demo.html

Matplot pyplot绘制单图，多子图不同样式详解，这一篇就够了相关推荐

1. html中hr标签有哪些属性,htmlhr标签的属性有哪些？HTMLhr标签的样式详解

   html hr标签的属性有哪些?HTML hr标签的样式详解,本篇文章介绍了html中的hr标签的定义及其属性描述,还有关于html hr标签的样式使用的几种方法 html中hr标签定义和用法: 标签 ...

2. JSX设置CSS样式详解

   JSX设置CSS样式详解 1. 使用className设置样式(CSS的其他选择器也是同理) (1)定义一个CSS文件style.css,和普通CSS一样定义class选择器 .sty1{//和普通C ...

3. 网页设计中的默认字体样式详解

   浏览器默认的样式往往在不同的浏览器.不同的语言版本甚至不同的系统版本都有不同的设置,这就导致如 果直接利用默认样式的页面在各个浏览器下显示非常不一致,于是就有了类似YUI的reset之类用来尽量重写浏 ...

4. devexpress 中的checkboxlist怎么设置间距_HTML中怎么设置h1的字体样式你知道吗？关于设置h1标签的样式详解

   本篇文章主要为大家讲解了html中的h1标签的样式解析,但是如果不用css样式来做的话,那就只能在html4.01中显示了,所以我们还是尽快学习css层叠样式表吧,好了,现在让我们来说说这篇文章吧. ...

5. qt怎么设置标签背景图片_HTML中怎么设置h1的字体样式你知道吗？关于设置h1标签的样式详解...

   本篇文章主要为大家讲解了html中的h1标签的样式解析,但是如果不用css样式来做的话,那就只能在html4.01中显示了,所以我们还是尽快学习css层叠样式表吧,好了,现在让我们来说说这篇文章吧. ...

6. html 仿word页面,HTML+CSS入门 HTML页面仿WORD样式详解

   本篇教程介绍了HTML+CSS入门 HTML页面仿WORD样式详解,希望阅读本篇文章以后大家有所收获,帮助大家HTML+CSS入门. < 要求不再浏览器中添加office插件的前提下.展示WOR ...

7. 14-transform样式详解

   ​ 14-transform样式详解 1.旋转 transform: rotate 列如: scale(x/y)缩放 transform: scale(2,3);括号里面是倍数 transform: ...

8. CSS超链接样式详解

   CSS超链接样式详解 1.超链接伪类 2.深入了解:hover :hover用于div :hover用于img 3.鼠标样式 浏览器鼠标样式 自定义鼠标样式 1.超链接伪类 在CSS中,我们可以使用& ...

9. css改变伪元素color_jQuery教程 改变css伪元素样式详解

   本篇教程介绍了jQuery教程 改变css伪元素样式详解,希望阅读本篇文章以后大家有所收获,帮助大家对jQuery的理解更加深入. < 首先我们看一下css伪元素是什么: CSS 伪元素用于向某 ...

最新文章

1. springboot整合spring Cache(redis)
2. c++的头文件与源文件
3. SpringBoot中注入ApplicationContext对象的三种方式
4. Xshell登录Linux服务器 提示WARNING! The remote SSH server rejected X11 forwarding request 及 提示符显示-bash-4.2#
5. 机器学习爬大树之（GBDT原理）--回归篇
6. QT接收Linux内核,QT界面程序经过网路与普通的linux应用程序进行数据传送的情况...
7. 用a卡还是n卡_谁是玩家最爱的显卡？N卡优势太大，GTX 1060秒A卡全家
8. autobuddy in mfc导致的错误
9. 毕设题目：Matlab指纹识别
10. C#自动注册dll方法
11. 接口测试常见问题及答案
12. 技术交底书在专利申请文件撰写中的功用
13. python任务栏都隐藏了_请问如何始终隐藏WINDOWS任务栏？
14. 基于SSH商场管理系统
15. 君莫笑系列视频学习（0）
16. 输入一个年份和一个月份，输出该年此月天数；知道日期，计算该日是本年的第几天（c语言）
17. 软考备考－系统构架师－18－信息系统基础知识相关试题整理
18. 7-3 水仙花数（20 分） (20 分)（PTA Python版本）
19. 11年前，放弃高薪回家全职教孩子编程的北大硕士，后来怎么样了……
20. iis php 缓存时间,推荐 IIS7.0下ThinkPHP提示“缓存文件写入失败！” 需要设置user的权限即可 Home/Runtime/Cache/...

热门文章

1. 自动类型转换和强制类型转换
2. [C] Bellman-Ford边松弛：解决负权边
3. python 读取excel 表格的数据
4. python 把元组转为列表
5. CRM中Plugin开发如何将功能放入多个模块
6. 嵌入式linux编程,嵌入式Linux学习笔记 - 嵌入式Linux基础知识和开发环境的构建_Linux编程_Linux公社-Linux系统门户网站...
7. linux怎么卸载webpack,安装webpack后，执行webpack -v命令时报错：SyntaxError: Block-sc
8. 2022-2028年中国动力电池行业深度调研及投资前景预测报告
9. PyTorch 笔记（11）— Tensor内部存储结构（头信息区 Tensor，存储区 Storage）
10. Go 学习笔记（25）— 并发（04）[有缓冲/无缓冲通道、WaitGroup 协程同步、select 多路监听通道、close 关闭通道、channel 传参或作为结构体成员]