当前位置：极客笔记 > Matplotlib > Matplotlib 问答 > Matplotlib中使用Python为线条末端添加注释的全面指南

Matplotlib中使用Python为线条末端添加注释的全面指南

Matplotlib中使用Python为线条末端添加注释的全面指南

参考：Annotating the End of Lines Using Python and Matplotlib

Matplotlib是Python中强大的数据可视化库，它提供了丰富的功能来创建各种类型的图表和绘图。在数据可视化中，为线条末端添加注释是一种常见且有效的方法，可以帮助读者更好地理解图表中的信息。本文将详细介绍如何使用Python和Matplotlib为线条末端添加注释，包括各种注释类型、样式设置以及高级技巧。

1. 基本概念和准备工作

在开始为线条末端添加注释之前，我们需要了解一些基本概念并做好准备工作。

1.1 什么是线条末端注释？

线条末端注释是指在线条的终点或特定位置添加文本、箭头或其他标记，以提供额外的信息或解释。这种注释可以帮助读者快速理解数据点的含义、趋势或重要性。

1.2 环境准备

首先，确保你已经安装了Python和Matplotlib库。如果还没有安装，可以使用以下命令安装：

pip install matplotlib

1.3 基本导入

在开始编写代码之前，我们需要导入必要的库：

import matplotlib.pyplot as plt
import numpy as np

2. 简单的线条末端注释

让我们从最基本的线条末端注释开始。

2.1 使用text()函数添加文本注释

import matplotlib.pyplot as plt
import numpy as np

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

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Sine wave')
plt.text(x[-1], y[-1], 'End point', fontsize=12, ha='right', va='bottom')
plt.title('Simple Line End Annotation - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们使用text()函数在正弦波的末端添加了一个简单的文本注释。x[-1]和y[-1]表示线条的最后一个点的坐标。ha='right'和va='bottom'用于调整文本的水平和垂直对齐方式。

2.2 使用annotate()函数添加带箭头的注释

import matplotlib.pyplot as plt
import numpy as np

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

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Cosine wave')
plt.annotate('End point', xy=(x[-1], y[-1]), xytext=(x[-1]+0.5, y[-1]+0.2),
             arrowprops=dict(facecolor='black', shrink=0.05),
             fontsize=12)
plt.title('Annotate with Arrow - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了如何使用annotate()函数添加带箭头的注释。xy参数指定箭头的目标点，xytext参数指定文本的位置，arrowprops用于自定义箭头的属性。

3. 自定义注释样式

Matplotlib提供了丰富的选项来自定义注释的样式，让我们来探索一些常用的自定义方法。

3.1 更改文本颜色和字体

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 5, 50)
y = x**2

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Quadratic function')
plt.annotate('End point', xy=(x[-1], y[-1]), xytext=(x[-1]-1, y[-1]+5),
             arrowprops=dict(facecolor='red', shrink=0.05),
             fontsize=14, color='blue', fontweight='bold', fontstyle='italic')
plt.title('Customized Text Style - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们自定义了注释文本的颜色、字体大小、粗细和样式。同时，我们还将箭头的颜色更改为红色。

3.2 使用不同的箭头样式

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 4*np.pi, 100)
y = np.sin(x) * np.exp(-0.1*x)

plt.figure(figsize=(12, 6))
plt.plot(x, y, label='Damped sine wave')

styles = ['->', '<-', '<->', 'fancy', 'simple', 'wedge']
for i, style in enumerate(styles):
    plt.annotate(f'Style: {style}', xy=(x[i*15], y[i*15]), xytext=(x[i*15]+1, y[i*15]+0.2),
                 arrowprops=dict(arrowstyle=style, color=f'C{i}'),
                 fontsize=10, color=f'C{i}')

plt.title('Different Arrow Styles - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了Matplotlib中不同的箭头样式。我们使用循环为同一条曲线的不同点添加了不同样式的箭头注释。

3.3 添加背景框

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.exp(-0.1*x) * np.sin(5*x)

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Oscillating decay')
plt.annotate('End point', xy=(x[-1], y[-1]), xytext=(x[-1]-2, y[-1]+0.2),
             arrowprops=dict(facecolor='black', shrink=0.05),
             fontsize=12, bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5))
plt.title('Annotation with Background Box - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们为注释文本添加了一个背景框。bbox参数用于自定义背景框的样式，包括形状、填充颜色和透明度。

4. 多线条注释

在实际应用中，我们经常需要为多条线添加注释。让我们来看看如何处理这种情况。

4.1 为多条线添加末端注释

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.figure(figsize=(12, 8))
plt.plot(x, y1, label='Sine')
plt.plot(x, y2, label='Cosine')
plt.plot(x, y3, label='Tangent')

annotations = [('Sine end', x[-1], y1[-1]), 
               ('Cosine end', x[-1], y2[-1]), 
               ('Tangent end', x[-1], y3[-1])]

for text, x_pos, y_pos in annotations:
    plt.annotate(text, xy=(x_pos, y_pos), xytext=(x_pos+0.5, y_pos),
                 arrowprops=dict(facecolor='black', shrink=0.05),
                 fontsize=10)

plt.title('Multiple Line End Annotations - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.ylim(-2, 2)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了如何为多条线的末端添加注释。我们使用一个循环来为每条线添加注释，使代码更加简洁和可维护。

4.2 使用不同颜色和样式

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 5, 100)
y1 = x**2
y2 = x**3
y3 = np.exp(x)

plt.figure(figsize=(12, 8))
plt.plot(x, y1, 'r-', label='Quadratic')
plt.plot(x, y2, 'g--', label='Cubic')
plt.plot(x, y3, 'b:', label='Exponential')

annotations = [('Quadratic', x[-1], y1[-1], 'red'), 
               ('Cubic', x[-1], y2[-1], 'green'), 
               ('Exponential', x[-1], y3[-1], 'blue')]

for text, x_pos, y_pos, color in annotations:
    plt.annotate(text, xy=(x_pos, y_pos), xytext=(x_pos-1, y_pos+10),
                 arrowprops=dict(facecolor=color, shrink=0.05),
                 fontsize=10, color=color)

plt.title('Colored Annotations for Multiple Lines - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们为每条线使用了不同的颜色和线型，并相应地调整了注释的颜色。这样可以使图表更加清晰和易于理解。

5. 动态注释

有时，我们需要根据数据动态地添加注释。让我们来看看如何实现这一点。

5.1 根据数据值添加注释

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
x = np.linspace(0, 10, 50)
y = np.random.normal(0, 1, 50).cumsum()

plt.figure(figsize=(12, 6))
plt.plot(x, y, label='Random walk')

# 找到最大值和最小值
max_index = np.argmax(y)
min_index = np.argmin(y)

# 添加注释
plt.annotate(f'Max: {y[max_index]:.2f}', xy=(x[max_index], y[max_index]), 
             xytext=(x[max_index]+0.5, y[max_index]+1),
             arrowprops=dict(facecolor='red', shrink=0.05),
             fontsize=10, color='red')

plt.annotate(f'Min: {y[min_index]:.2f}', xy=(x[min_index], y[min_index]), 
             xytext=(x[min_index]+0.5, y[min_index]-1),
             arrowprops=dict(facecolor='blue', shrink=0.05),
             fontsize=10, color='blue')

plt.title('Dynamic Annotations Based on Data - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了如何根据数据的最大值和最小值动态添加注释。我们使用np.argmax()和np.argmin()函数找到最大值和最小值的索引，然后在相应的位置添加注释。

5.2 条件注释

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x) * np.exp(-0.1*x)

plt.figure(figsize=(12, 6))
plt.plot(x, y, label='Damped sine wave')

threshold = 0.5
for i in range(len(x)):
    if abs(y[i]) > threshold:
        plt.annotate(f'{y[i]:.2f}', xy=(x[i], y[i]), xytext=(x[i]+0.1, y[i]),
                     arrowprops=dict(facecolor='black', shrink=0.05),
                     fontsize=8)

plt.title('Conditional Annotations - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们只为绝对值大于某个阈值的点添加注释。这种方法可以帮助我们突出显示重要的数据点，而不会使图表变得过于杂乱。

6. 高级注释技巧

让我们探索一些更高级的注释技巧，这些技巧可以帮助我们创建更专业和信息丰富的图表。

6.1 使用LaTeX公式

Matplotlib支持在注释中使用LaTeX公式，这对于添加数学表达式非常有用。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Sine wave')

plt.annotate(r'\sin(x) = 0', xy=(np.pi, 0), xytext=(np.pi+0.5, 0.5),
             arrowprops=dict(facecolor='black', shrink=0.05),
             fontsize=12)

plt.annotate(r'\frac{d}{dx}\sin(x) = \cos(x)', xy=(np.pi/2, 1), xytext=(np.pi/2+0.5, 0.5),
             arrowprops=dict(facecolor='black', shrink=0.05),
             fontsize=12)

plt.title('LaTeX Annotations - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们使用LaTeX公式来添加数学表达式。注意使用r前缀来表示原始字符串，这样可以避免转义字符的问题。

6.2 添加图像注释

除了文本，我们还可以在注释中添加小图像。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.offsetbox import OffsetImage, AnnotationBbox

def add_image_annotation(ax, im, xy, box_xy):
    imagebox = OffsetImage(im,zoom=0.5)
    ab = AnnotationBbox(imagebox, xy,
                        xybox=box_xy,
                        xycoords='data',
                        boxcoords="offset points",
                        arrowprops=dict(arrowstyle="->"))
    ax.add_artist(ab)

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

fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(x, y, label='Sine wave')

# 创建一个小的正弦波图像
small_fig, small_ax = plt.subplots(figsize=(2, 2))
small_ax.plot(x, y)
small_ax.axis('off')
plt.close(small_fig)

add_image_annotation(ax, small_fig, (x[-1], y[-1]), (50, 50))

ax.set_title('Image Annotation - how2matplotlib.com')
ax.legend()
ax.grid(True)
plt.show()

这个例子展示了如何在注释中添加一个小图像。我们首先创建了一个小的正弦波图像，然后使用OffsetImage和AnnotationBbox将其添加到主图中。

6.3 交互式注释

Matplotlib还支持交互式注释，这在探索数据时非常有用。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.widgets import Button

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

fig, ax = plt.subplots(figsize=(10, 6))
line, = ax.plot(x, y, label='Sine wave')
ax.set_title('Interactive Annotation - how2matplotlib.com')
ax.legend()
ax.grid(True)

annotation = ax.annotate('', xy=(0, 0), xytext=(20, 20),
                         textcoords="offset points",
                         bbox=dict(boxstyle="round", fc="w"),
                         arrowprops=dict(arrowstyle="->"))
annotation.set_visible(False)

def update_annotation(event):
    x, y = event.xdata, event.ydata
    annotation.xy = (x, y)
    annotation.set_text(f'x={x:.2f}, y={y:.2f}')
    annotation.set_visible(True)
    fig.canvas.draw_idle()

fig.canvas.mpl_connect('motion_notify_event', update_annotation)

plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子创建了一个交互式注释。当鼠标移动到图表上时，会显示当前点的坐标。

7. 注释的最佳实践

在使用注释时，有一些最佳实践可以帮助我们创建更清晰、更有效的图表：

  1. 保持简洁：只添加必要的注释，避免过度拥挤。
  2. 使用一致的样式：在整个图表中保持一致的字体、颜色和大小。
  3. 考虑可读性：确保注释不会与图表的其他元素重叠。
  4. 使用对比色：选择与背景形成良好对比的颜色。
  5. 适当的位置：将注释放在不会干扰数据理解的位置。
  6. 使用清晰的语言：使用简洁、明确的语言来描述数据点。

8. 常见问题和解决方案

在使用Matplotlib添加线条末端注释时，可能会遇到一些常见问题。以下是一些问题及其解决方案：

8.1 注释重叠

当多个数据点靠近时，注释可能会重叠。解决这个问题的一种方法是使用不同的xytext位置：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 5)
y1 = np.sin(x)
y2 = np.sin(x) + 0.1

plt.figure(figsize=(10, 6))
plt.plot(x, y1, label='Line 1')
plt.plot(x, y2, label='Line 2')

plt.annotate('End of Line 1', xy=(x[-1], y1[-1]), xytext=(x[-1]+0.5, y1[-1]-0.2),
             arrowprops=dict(facecolor='black', shrink=0.05))
plt.annotate('End of Line 2', xy=(x[-1], y2[-1]), xytext=(x[-1]+0.5, y2[-1]+0.2),
             arrowprops=dict(facecolor='black', shrink=0.05))

plt.title('Avoiding Annotation Overlap - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

在这个例子中，我们通过调整xytext的y坐标来避免注释重叠。

8.2 注释超出图表边界

当注释位置靠近图表边缘时，可能会超出图表边界。解决这个问题的一种方法是使用clip_on=True参数：

import matplotlib.pyplot as plt
import numpy as np

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

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Exponential')

plt.annotate('End point', xy=(x[-1], y[-1]), xytext=(x[-1]-2, y[-1]),
             arrowprops=dict(facecolor='black', shrink=0.05),
             clip_on=True)

plt.title('Clipping Annotation - how2matplotlib.com')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

clip_on=True参数确保注释不会超出图表的边界。

8.3 自动调整注释位置

对于复杂的图表，手动调整每个注释的位置可能很麻烦。我们可以创建一个函数来自动调整注释位置：

import matplotlib.pyplot as plt
import numpy as np

def smart_annotate(ax, text, xy, xytext=None):
    annotation = ax.annotate(text, xy, xytext=xytext,
                             arrowprops=dict(arrowstyle='->'),
                             bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5))

    # 获取图表的边界
    bbox = ax.get_window_extent().transformed(plt.gcf().dpi_scale_trans.inverted())

    # 调整注释位置
    annotation.set_position(smart_position(xy, bbox))

    return annotation

def smart_position(xy, bbox):
    x, y = xy
    width, height = bbox.width, bbox.height

    if x < width / 2:
        x_text = x + width * 0.1
    else:
        x_text = x - width * 0.1

    if y < height / 2:
        y_text = y + height * 0.1
    else:
        y_text = y - height * 0.1

    return x_text, y_text

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

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y1, label='Sine')
ax.plot(x, y2, label='Cosine')

smart_annotate(ax, 'Sine end', (x[-1], y1[-1]))
smart_annotate(ax, 'Cosine end', (x[-1], y2[-1]))

ax.set_title('Smart Annotation Positioning - how2matplotlib.com')
ax.legend()
ax.grid(True)
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子定义了一个smart_annotate函数，它会根据数据点的位置自动选择合适的注释位置。

9. 高级应用场景

让我们探索一些更高级的应用场景，这些场景可能在实际数据分析和可视化中非常有用。

9.1 时间序列数据注释

对于时间序列数据，我们可能想要标注特定的事件或转折点。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 创建示例时间序列数据
dates = pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')
values = np.cumsum(np.random.randn(len(dates))) + 100

# 创建DataFrame
df = pd.DataFrame({'Date': dates, 'Value': values})

# 找到最大值和最小值
max_point = df.loc[df['Value'].idxmax()]
min_point = df.loc[df['Value'].idxmin()]

fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(df['Date'], df['Value'])

# 添加注释
ax.annotate(f'Max: {max_point["Value"]:.2f}', 
            xy=(max_point['Date'], max_point['Value']),
            xytext=(10, 10), textcoords='offset points',
            arrowprops=dict(arrowstyle='->'))

ax.annotate(f'Min: {min_point["Value"]:.2f}', 
            xy=(min_point['Date'], min_point['Value']),
            xytext=(10, -10), textcoords='offset points',
            arrowprops=dict(arrowstyle='->'))

ax.set_title('Time Series Annotation - how2matplotlib.com')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了如何在时间序列数据中标注最大值和最小值点。

9.2 多子图注释

在复杂的分析中，我们可能需要创建多个子图并为每个子图添加注释。

import matplotlib.pyplot as plt
import numpy as np

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

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

# 第一个子图
y1 = np.sin(x)
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')
ax1.annotate('Peak', xy=(np.pi/2, 1), xytext=(np.pi/2+1, 0.5),
             arrowprops=dict(facecolor='black', shrink=0.05))

# 第二个子图
y2 = np.cos(x)
ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')
ax2.annotate('Trough', xy=(np.pi, -1), xytext=(np.pi+1, -0.5),
             arrowprops=dict(facecolor='black', shrink=0.05))

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子展示了如何在多个子图中添加注释。每个子图都有自己的注释，帮助解释各自的特征。

9.3 动态注释更新

在某些情况下，我们可能需要根据用户交互动态更新注释。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.widgets import Slider

x = np.linspace(0, 10, 1000)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 8))
line, = ax.plot(x, y)

# 添加滑块
axfreq = plt.axes([0.25, 0.02, 0.5, 0.03])
freq_slider = Slider(axfreq, 'Frequency', 0.1, 10.0, valinit=1)

# 添加初始注释
annotation = ax.annotate('', xy=(0, 0), xytext=(20, 20),
                         textcoords="offset points",
                         bbox=dict(boxstyle="round", fc="w"),
                         arrowprops=dict(arrowstyle="->"))
annotation.set_visible(False)

def update(val):
    freq = freq_slider.val
    y = np.sin(freq * x)
    line.set_ydata(y)

    # 更新注释
    max_index = np.argmax(y)
    annotation.xy = (x[max_index], y[max_index])
    annotation.set_text(f'Max: ({x[max_index]:.2f}, {y[max_index]:.2f})')
    annotation.set_visible(True)

    fig.canvas.draw_idle()

freq_slider.on_changed(update)

ax.set_title('Dynamic Annotation Update - how2matplotlib.com')
plt.show()

Output:

Matplotlib中使用Python为线条末端添加注释的全面指南

这个例子创建了一个交互式图表，用户可以通过滑块调整正弦波的频率，注释会动态更新以显示当前的最大值位置。

10. 结论

在本文中，我们深入探讨了如何使用Python和Matplotlib为线条末端添加注释。我们从基本的文本注释开始，逐步深入到更复杂的技巧，包括自定义样式、多线条注释、动态注释、LaTeX公式、图像注释和交互式注释等。我们还讨论了一些常见问题的解决方案和最佳实践。

注释是数据可视化中的一个强大工具，它可以帮助我们突出重要信息、解释复杂概念，并使图表更加清晰和易于理解。通过掌握这些技巧，你可以创建更加专业和信息丰富的图表，更好地传达你的数据洞察。

记住，好的注释应该是简洁、清晰和有目的的。过度使用注释可能会使图表变得杂乱和难以理解。始终考虑你的目标受众，并选择最适合你的数据和信息的注释方式。

随着实践和经验的积累，你将能够更加自如地运用这些技巧，创造出既美观又富有洞察力的数据可视化作品。继续探索Matplotlib的其他功能，将帮助你在数据可视化的道路上走得更远。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程