05. Matplotlib 1 |图表基本元素| 样式参数| 刻度 注释| 子图

阅读目录(Content)

• 1.Matplotlib简介
• 常见图形种类和意义
• 2.图表的基本元素
• 3.图表的样式参数
• 4.刻度、注解、图表输出
• 5.子图

 

回到顶部(go to top)

1.Matplotlib简介

Matplotlib官网

Matplotlib是一个Python 2D绘图库，它可以在各种平台上以各种硬拷贝格式和交互式环境生成出具有 出版品质的图形。 Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用 程序服务

器和四个图形用户界面工具包。 Matplotlib试图让简单的事情变得更简单，让无法实现的事情变得可能实现。 只需几行代码即可生成绘 图，直方图，功率谱，条形图，错误图，散点图等。 为了简单绘图，pyplot

模块提供了类似于MATLAB的界面，特别是与IPython结合使用时。 对于高级用 户，您可以通过面向对象的界面或MATLAB用户熟悉的一组函数完全控制线条样式，字体属性，轴属性 等。

Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库

https://matplotlib.org/api/pyplot_api.html 

可视化是在整个数据挖掘的关键辅助工具，可以清晰的理解数据，从而调整我们的分析方法。

• 能将数据进行可视化,更直观的呈现
• 使数据更加客观、更具说服力 

常见图形种类和意义

折线图：以折线的上升或下降来表示统计数量的增减变化的统计图。特点：能够显示数据的变化趋势，反映事物的变化情况。(变化)

散点图：用两组数据构成多个坐标点，考察坐标点的分布,判断两变量之间是否存在某种关联或总 结坐标点的分布模式。 特点：判断变量之间是否存在数量关联趋势,展示离群点(分布规律)

柱状图：排列在工作表的列或行中的数据可以绘制到柱状图中。特点：绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)

直方图：由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围，纵轴表示分布情况。特点：绘制连续性的数据展示一组或者多组数据的分布状况(统计)

饼图：用于表示不同分类的占比情况，通过弧度大小来对比各种分类。特点：分类数据的占比情况(占比)

 

 

title为图像标题，Axis为坐标轴, Label为坐标轴标注，Tick为刻度线，Tick Label为刻度注释。

plt.plot( 数组 ) --> 图表窗口 plt.show( ) 、  
% matplotlib inline 嵌入图表；    ---> plt.scatter(x, y) 
% matplotlib notebook 可交互窗口；--->s.plot(style = 'k--o',figsize=(10,5))
% matplotlib qt5可交互性控制台； --->>df.hist(figsize=(12,5),color='g',alpha=0.8)

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

# 图表窗口1 → plt.show() 

plt.plot(np.random.rand(10))
plt.show()
# 直接生成图表

 

 

# 图表窗口2 → 魔法函数，嵌入图表  

% matplotlib inline  
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x,y) 
# 直接嵌入图表，不用plt.show()
# <matplotlib.collections.PathCollection at ...> 代表该图表对象

# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口
% matplotlib notebook
s = pd.Series(np.random.randn(100))
s.plot(style='k--o', figsize=(10, 5))
# 可交互的matplotlib窗口，不用plt.show()
# 可做一定调整

 

# 图表窗口4 → 魔法函数，弹出matplotlib控制台
% matplotlib qt5
df = pd.DataFrame(np.random.rand(50, 2),columns=['A', 'B'])
df.hist(figsize=(12, 5), color='g', alpha=0.8)

# 可交互性控制台
# 如果已经设置了显示方式（比如notebook），需要重启然后再运行魔法函数
# 网页嵌入的交互性窗口 和 控制台，只能显示一个

#plt.close()    
# 关闭窗口

#plt.gcf().clear()  
# 每次清空图表内内容

 

回到顶部(go to top)

2.图表的基本元素

图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等

plt.title(' ') #图名 、plt.xlabel('') #x轴标签、 plt.ylabel('') #y轴标签 、plt.legend(loc='upper right') #就是图例的位置 右上
plt.xlim([0, 12])x轴边界 、plt.ylim([0, 1.5]) y轴边界 、plt.xticks(range(10))设置x刻度 、plt.yticks([0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2])设置y刻度
fig.set_xticklabels("%.1f" %i for i in range(10))x轴刻度标签 ,使得其显示1位小数; 
fig.set_yticklabels("%.2f" %i for i in [0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2])
xlim范围只是限制图表长度，xticks则是决定显示的标尺，刻度标签set_xticklabels决定显示的小数位数；

# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等
df = pd.DataFrame(np.random.rand(10, 2), columns=['A', 'B'])
fig = df.plot(figsize=(6, 4)) # figsize：创建图表窗口，设置窗口大小; # 创建图表对象，并赋值与fig

# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等
df = pd.DataFrame(np.random.rand(10, 2), columns=['A', 'B'])
fig = df.plot(figsize=(6, 4)) # figsize：创建图表窗口，设置窗口大小;  #创建图表对象，并赋值与fig 

plt.title('Interesting Graph - Check it out') #图名
plt.xlabel('Plot Number') #x轴标签
plt.ylabel('Important var') #y轴标签
plt.legend(loc='upper right') #就是图例的位置 右上


# 图例的几种显示方式，loc表示位置，分别表示位置。
# 'best'         : 0, (only implemented for axes legends)(自适应方式)
# 'upper right'  : 1,
# 'upper left'   : 2,
# 'lower left'   : 3,
# 'lower right'  : 4,
# 'right'        : 5,
# 'center left'  : 6,
# 'center right' : 7,
# 'lower center' : 8,
# 'upper center' : 9,
# 'center'       : 10,
plt.xlim([0, 12]) # x轴边界
plt.ylim([0, 1.5]) # y轴边界
plt.xticks(range(10)) # 设置x刻度
plt.yticks([0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2]) # 设置y刻度
fig.set_xticklabels("%.1f" %i for i in range(10)) # x轴刻度标签 ,使得其显示1位小数; 小数的显示方式变成字符串的形式显示了。
fig.set_yticklabels("%.2f" %i for i in [0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2]) # y轴刻度标签,使得y轴显示后边再加一位小数，之设置前有一位
# 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数
# 轴标签则是显示刻度的标签
print(fig, type(fig))

 其他元素可视化

弧度制、角度值，正弦/余弦函数

plt.grid(True, linestyle="--", color="gray", linewidth="0.5", axis='x')显示网格
plt.tick_params(bottom='on',top='off',left='on',right='off')就是4个坐标轴的刻度线是往里凸呢还是凹呢；刻度线的方向matplotlib.rcParams['xtick.direction'] = 'out'
frame.axes.get_xaxis().set_visible(False) x轴上的东西都隐藏了呗
plt.axis('off') # 关闭坐标轴

x = np.linspace(-np.pi,np.pi,256,endpoint = True) #pi值的是圆周率 π math.pi
c, s = np.cos(x), np.sin(x)  #这里用的是弧度制表示。 
plt.plot(x, c)
plt.plot(x, s)
# plt.grid(True, linestyle="--", color="gray", linewidth="0.5", axis='x') # .grid是创建格网 
# 通过ndarry创建图表

# 显示网格 
# linestyle：线型
# color：颜色
# linewidth：宽度
# axis：x，y，both，显示x/y/两者的格网
plt.tick_params(bottom='on',top='off',left='on',right='off') #就是四个轴有刻度凸显出来，关掉网格线就看出来了  
# 刻度显示
import matplotlib  # 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot
matplotlib.rcParams['xtick.direction'] = 'out' # 设置刻度的方向： 在里边是in,  显示在外边就是out,  在中间就是inout 
matplotlib.rcParams['ytick.direction'] = 'inout'
frame = plt.gca()
frame.axes.get_xaxis().set_visible(False)  # False是x/y 轴上的标签都不显示出来，
frame.axes.get_yaxis().set_visible(False) 
# plt.axis('off') # 关闭坐标轴

回到顶部(go to top)

3.图表的样式参数

linestyle、style、color、marker

plt.plot([i**2 for i in range(100)],linestyle = '-.' )

 linestyle参数 线型

plt.plot([i**2 for i in range(100)],
        linestyle = '-.')
# '-'       solid line style
# '--'      dashed line style
# '-.'      dash-dot line style
# ':'       dotted line style

marker参数 线上的点 

s.plot(linestyle = '--',marker = '.') 线上的点的形状呗

s = pd.Series(np.random.randn(100).cumsum()) #.cumsum()是累计求和 
s.plot(linestyle = '--',
      marker = '.')
# '.'       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
# 's'       square marker
# 'p'       pentagon marker
# '*'       star marker
# 'h'       hexagon1 marker
# 'H'       hexagon2 marker
# '+'       plus marker
# 'x'       x marker
# 'D'       diamond marker
# 'd'       thin_diamond marker
# '|'       vline marker
# '_'       hline marker

color参数颜色

plt.hist(np.random.randn(100),color = 'g',alpha = 0.8) 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y
df.plot(style = '--.', alpha = 0.8, colormap = 'GnBu') colormap颜色板

plt.hist(np.random.randn(100),
        color = 'g',alpha = 0.8)# alpha：0-1，透明度

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.', alpha = 0.8, colormap = 'GnBu')
# colormap：颜色板，包括：
# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,
# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, 
# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, 
# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, 
# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, 
# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,
# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, 
# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral, 
# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral, 
# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r

# 其他参数见“颜色参数.docx”

style参数，可以包含linestyle，marker，color

ts.plot(style = '--g.',grid=True)  linestyle（-）线性，marker（.），color（g）颜色，grid=True是显示网格线

ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid=True) 
# style → 风格字符串，这里包括了linestyle（-）线性，marker（.），color（g）颜色
# plot()内也有grid参数

整体风格样式

psl.use('ggplot')

import matplotlib.style as psl
print(plt.style.available) # 查看样式列表
psl.use('ggplot')
ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid = True,figsize=(10,6))  #一旦选用样式后，所有图表都会有样式，重启后才能关掉

所有的样式列表--->

['seaborn-bright', 'seaborn-notebook', 'seaborn-darkgrid', 'seaborn-ticks', 'seaborn-poster', 'seaborn-dark', 'grayscale', 'fivethirtyeight',
 'seaborn-paper', 'seaborn-whitegrid', 'seaborn-deep', 'ggplot', 'classic', 'bmh', 'dark_background', 'seaborn-colorblind', 'seaborn-white',
 'seaborn-muted', 'seaborn-dark-palette', 'seaborn-talk', 'seaborn-pastel']

回到顶部(go to top)

4.刻度、注解、图表输出

主刻度、次刻度

 刻度

subplot(2,2,1) 前面俩参数指定的是一个画板被分割成的行和列，后面一个参数则指的是当前正在绘制的编号！

ax.xaxis.set_major_locator(xmajorLocator)设置x轴主刻度、 xmajorLocator = MultipleLocator(20) 将x主刻度标签设置为20的倍数
ax.xaxis.set_major_formatter(xmajorFormatter)设置x轴标签文本格式 、 xmajorFormatter = FormatStrFormatter('%.0f')设置x轴标签文本的格式 
ax.xaxis.set_minor_locator(xminorLocator)设置x轴次刻度、 xminorLocator   = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数 

ax.xaxis.grid(True, which='majpr') #x坐标轴的网格使用（就是纵横交错的网格线）主刻度 both、minor（只显示次刻度）、majpr（只显示主刻度）
ax.xaxis.set_major_formatter(plt.NullFormatter()) 删除x坐标轴的刻度显示

from matplotlib.ticker import MultipleLocator, FormatStrFormatter

t = np.arange(0.0, 100.0, 1)
s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置
plt.plot(t,s,'--*')
plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'both')  
# 网格
#plt.legend()  # 图例

xmajorLocator = MultipleLocator(20) # 将x主刻度标签设置为10的倍数
xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式
xminorLocator   = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数  
ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数
ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式
yminorLocator   = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数  

ax.xaxis.set_major_locator(xmajorLocator)  # 设置x轴主刻度
ax.xaxis.set_major_formatter(xmajorFormatter)  # 设置x轴标签文本格式
ax.xaxis.set_minor_locator(xminorLocator)  # 设置x轴次刻度
ax.yaxis.set_major_locator(ymajorLocator)  # 设置y轴主刻度
ax.yaxis.set_major_formatter(ymajorFormatter)  # 设置y轴标签文本格式
ax.yaxis.set_minor_locator(yminorLocator)  # 设置y轴次刻度ax.xaxis.grid(True, which='majpr') #x坐标轴的网格使用（就是纵横交错的网格线）主刻度 both、minor（只显示次刻度）、majpr（只显示主刻度）
ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度

# which：格网显示

#删除坐标轴的刻度显示
#ax.yaxis.set_major_locator(plt.NullLocator()) 
# ax.xaxis.set_major_formatter(plt.NullFormatter()) 

注解

plt.text(5,0.5,'hello',fontsize=10)  参数是注释在坐标系中的位置和大小：(5,0.5)

df = pd.DataFrame(np.random.randn(10,2))
df.plot(style = '--o')
plt.text(5,0.5,'hello',fontsize=10)  
# 注解 → 横坐标，纵坐标，注解字符串

 图表输出

plt.savefig('C:/Users/Administrator/Desktop/pic.png',  
            dpi=400,  #分表率；
            bbox_inches = 'tight', #剪出周围的空白
            facecolor = 'g', #图像的背景色
            edgecolor = 'b') #图片的edgecolor

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.5)
plt.legend(loc = 'upper right')
plt.savefig('C:/Users/Administrator/Desktop/pic.png',  
            dpi=400,
            bbox_inches = 'tight',
            facecolor = 'g',
            edgecolor = 'b')
# 可支持png，pdf，svg，ps，eps…等，以后缀名来指定
# dpi是分辨率
# bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。
# facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）

回到顶部(go to top)

5.子图

在matplotlib中，整个图像为一个Figure对象
在Figure对象中可以包含一个或者多个Axes对象
每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域

plt.figure, plt.subplot

# plt.figure() 绘图对象
# plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, 
# frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)
fig1 = plt.figure(num=1,figsize=(4,2))
plt.plot(np.random.rand(50).cumsum(),'k--')
fig2 = plt.figure(num=2,figsize=(4,2))
plt.plot(50-np.random.rand(50).cumsum(),'k--')
# num：图表序号，如果他们两个的序号一样，曲线就会显示在一张图片里边；如果把num都去掉，则跟num=1和num=2是一样的效果。
# figsize：图表大小

# 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)

fig.add_subplot(2,2,1)生成创建好的图表figure() 2*2的矩阵表格，第1个个位置 、   plt.plot(np.random.rand(50).cumsum(),'k--')往上边画线，填图

# 子图创建1 - 先建立子图然后填充图表

fig = plt.figure(figsize=(10,6),facecolor = 'gray')

ax1 = fig.add_subplot(2,2,1)  # 第一行的左图
plt.plot(np.random.rand(50).cumsum(),'k--')
plt.plot(np.random.randn(50).cumsum(),'b--')
# 先创建图表figure，然后生成子图，(2,2,1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下
# 创建子图后绘制图表，会绘制到最后一个子图

ax2 = fig.add_subplot(2,2,2)  # 第一行的右图
ax2.hist(np.random.rand(50),alpha=0.5)

ax4 = fig.add_subplot(2,2,4)  # 第二行的右图
df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')
# 也可以直接在子图后用图表创建函数直接生成图表

---->

[<matplotlib.lines.Line2D at 0x13bbb240>,
 <matplotlib.lines.Line2D at 0x13bbb390>,
 <matplotlib.lines.Line2D at 0x13bbb5f8>,
 <matplotlib.lines.Line2D at 0x13bbb780>]

 

fig, axes = plt.subplots(2,3,figsize=(10,4)) 创建2*3个fig图，2*3个数组。--->>  ax1 = axes[0,1]  ---> ax1.plot(ts) 在[0,1]的图中绘线

# 子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot

fig,axes = plt.subplots(2,3,figsize=(10,4))
ts = pd.Series(np.random.randn(1000).cumsum())
print(axes, axes.shape, type(axes))  # 生成图表对象的数组,2行3列的数组 
print(fig,type(fig)---->>>  Figure(720x288)   <class 'matplotlib.figure.Figure'>

ax1 = axes[0,1] #表示在第一行第二个图片绘制图线。
ax1.plot(ts)
---------------->>>>>>>>>>
[[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BB5A4A8>
  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C08B240>
  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0D6550>]
 [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000C10CDD8>
  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C15B160>
  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C190DA0>]] (2, 3) <class 'numpy.ndarray'>

plt.subplots( ),参数调整,是否共享坐标轴

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)# sharex,sharey：是否共享x，y刻度

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)# sharex,sharey：是否共享x，y刻度
for i in range(2):
    for j in range(2):
        axes[i, j].hist(np.random.randn(500), color='k', alpha=0.5)
plt.subplots_adjust(wspace=0,hspace=0)
# wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距

df.plot(style = '--.', alpha=0.4, grid=True, figsize = (8, 8),
       subplots = True, #为False时是绘制到了一张图上面
       layout = (2,3),# 2*3的矩阵填充图
       sharex = False) #不共享x轴

plt.subplots_adjust(wspace=0,hspace=0.2) ##wspace是子图之间的横向间距，hspace是子图之间的竖直间距。

# 子图创建3 - 多系列图，分别绘制
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns = list('ABCD'))
df = df.cumsum()
df.plot(style = '--.', alpha=0.4, grid=True, figsize = (8, 8),
       subplots = True, #为False时是绘制到了一张图上面
       layout = (2,3),
       sharex = False)
plt.subplots_adjust(wspace=0,hspace=0.2) ##wspace是子图之间的横向间距，hspace是子图之间的竖直间距。
# plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列（子图）
# layout：绘制子图矩阵，按顺序填充

 

TRANSLATE with x

English

Arabic	Hebrew	Polish
Bulgarian	Hindi	Portuguese
Catalan	Hmong Daw	Romanian
Chinese Simplified	Hungarian	Russian
Chinese Traditional	Indonesian	Slovak
Czech	Italian	Slovenian
Danish	Japanese	Spanish
Dutch	Klingon	Swedish
English	Korean	Thai
Estonian	Latvian	Turkish
Finnish	Lithuanian	Ukrainian
French	Malay	Urdu
German	Maltese	Vietnamese
Greek	Norwegian	Welsh
Haitian Creole	Persian

 

TRANSLATE with

COPY THE URL BELOW

Back

EMBED THE SNIPPET BELOW IN YOUR SITE

Enable collaborative features and customize widget: Bing Webmaster Portal

Back

 

 

此页面的语言为中文（简体）

 

翻译为

 

 

 

 

• 中文（简体）
• 中文（繁体）
• 丹麦语
• 乌克兰语
• 乌尔都语
• 亚美尼亚语
• 俄语
• 保加利亚语
• 克罗地亚语
• 冰岛语
• 加泰罗尼亚语
• 匈牙利语
• 卡纳达语
• 印地语
• 印尼语
• 古吉拉特语
• 哈萨克语
• 土耳其语
• 威尔士语
• 孟加拉语
• 尼泊尔语
• 布尔语(南非荷兰语)
• 希伯来语
• 希腊语
• 库尔德语
• 德语
• 意大利语
• 拉脱维亚语
• 挪威语
• 捷克语
• 斯洛伐克语
• 斯洛文尼亚语
• 旁遮普语
• 日语
• 普什图语
• 毛利语
• 法语
• 波兰语
• 波斯语
• 泰卢固语
• 泰米尔语
• 泰语
• 海地克里奥尔语
• 爱沙尼亚语
• 瑞典语
• 立陶宛语
• 缅甸语
• 罗马尼亚语
• 老挝语
• 芬兰语
• 英语
• 荷兰语
• 萨摩亚语
• 葡萄牙语
• 西班牙语
• 越南语
• 阿塞拜疆语
• 阿姆哈拉语
• 阿尔巴尼亚语
• 阿拉伯语
• 韩语
• 马尔加什语
• 马拉地语
• 马拉雅拉姆语
• 马来语
• 马耳他语
• 高棉语

 

随时将中文（简体）翻译为PRO
一律不翻译中文（简体）
一律不翻译i.cnblogs.com