【Python】通透！12个 matplotlib 案例大梳理！！

核心点：详解对常用的12个matplotlib图！

今儿来聊聊关于机器学习项目中最常用的matplotlib图形。

有可能你在想要用的时候，直接把下面的代码粘贴过去，改改就好~

既方便了学习并且按照自己的理解进行定制化，也能快速领略其奇妙之处！

在机器学习实际项目和数据分析中，Matplotlib是一个常用的Python绘图库，用于创建各种类型的图表和可视化。今天总结了12中最最常用的图形，大家可以看看~

老规矩：大家伙如果觉得近期文章还不错！欢迎大家点个赞、转个发，让更多的朋友看到。

折线图

折线图（Line Plot）：用于显示数据随时间或其他连续变量的变化趋势。在实际项目中，可以用于可视化模型性能随着训练迭代次数的变化。

下面示例中，我们将绘制一个包含多个数据系列的折线图。

首先，确保已经安装了Matplotlib库。

如果没有安装，使用pip来安装它：

pip install matplotlib  

看代码，创建一个包含多个数据系列的折线图：

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集  
x = np.linspace(0, 10, 100)  # 生成0到10之间的100个数据点作为x轴  
y1 = np.sin(x)  # 第一个数据系列，正弦函数  
y2 = np.cos(x)  # 第二个数据系列，余弦函数  
y3 = np.sin(2 \* x)  # 第三个数据系列，正弦函数的倍频  
  
# 创建一个Matplotlib图表  
plt.figure(figsize=(10, 6))  # 设置图表的大小  
  
# 绘制折线图  
plt.plot(x, y1, label='sin(x)', color='blue', linestyle='-', linewidth=2)  
plt.plot(x, y2, label='cos(x)', color='red', linestyle='--', linewidth=2)  
plt.plot(x, y3, label='sin(2x)', color='green', linestyle='-.', linewidth=2)  
  
# 添加标题和标签  
plt.title('Complex Line Plot')  
plt.xlabel('X-axis')  
plt.ylabel('Y-axis')  
  
# 添加图例  
plt.legend()  
  
# 自定义坐标轴范围  
plt.xlim(0, 10)  
plt.ylim(\-2, 2)  
  
# 添加网格线  
plt.grid(True, linestyle='--', alpha=0.6)  
  
# 保存图像（可选）  
# plt.savefig('complex\_line\_plot.png')  
  
# 显示图像  
plt.show()  

包含三个不同的数据系列，每个系列都具有不同的线型和颜色。

可以根据需要自定义图表的样式、颜色和标签。

散点图

散点图（Scatter Plot）：用于显示两个变量之间的关系，通常用于观察数据的分布、异常值或类别之间的关系。

创建一个包含多个数据系列的散点图。

我们将使用随机生成的数据集来模拟复杂的散点图：

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集  
np.random.seed(0)  
n\_points = 200  
x = np.random.rand(n\_points)  # 随机生成x坐标  
y1 = np.random.rand(n\_points)  # 随机生成y坐标  
y2 = 1.5 \* x + np.random.rand(n\_points)  # 生成带趋势的数据  
colors = np.random.rand(n\_points)  # 随机生成颜色值  
sizes = np.random.rand(n\_points) \* 100  # 随机生成点的大小  
  
# 创建一个Matplotlib图表  
plt.figure(figsize=(10, 6))  # 设置图表的大小  
  
# 绘制散点图  
plt.scatter(x, y1, label='Random Data', c=colors, s=sizes, alpha=0.7, cmap='viridis')  
plt.scatter(x, y2, label='Trendline Data', c='red', marker='x', s=50, label='Trendline', alpha=0.7)  
  
# 添加标题和标签  
plt.title('Complex Scatter Plot')  
plt.xlabel('X-axis')  
plt.ylabel('Y-axis')  
  
# 添加图例  
plt.legend()  
  
# 自定义坐标轴范围  
plt.xlim(0, 1)  
plt.ylim(0, 2)  
  
# 添加颜色条  
colorbar = plt.colorbar()  
colorbar.set\_label('Color Intensity')  
  
# 保存图像（可选）  
# plt.savefig('complex\_scatter\_plot.png')  
  
# 显示图像  
plt.show()  

上面代码创建了一个复杂的散点图，其中包含两个不同的数据系列，每个系列都具有不同的颜色、标记和点大小。通过使用cmap参数，可以改变数据点的颜色映射。

可以根据需要自定义图表的样式、颜色和标签。

直方图

直方图（Histogram）：用于显示数据的分布情况，特别适用于展示数值型数据的频率分布。

使用多个数据系列以及自定义的颜色、透明度和边界线等属性来创建一个直方图。

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集（多个数据系列）  
np.random.seed(0)  
data\_series = \[np.random.normal(0, std, 1000) for std in range(1, 4)\]  
  
# 创建一个Matplotlib图表  
plt.figure(figsize=(10, 6))  # 设置图表的大小  
  
# 绘制直方图  
plt.hist(data\_series, bins=20, color=\['blue', 'green', 'purple'\], alpha=0.7, label=\['Series 1', 'Series 2', 'Series 3'\], edgecolor='black')  
  
# 添加标题和标签  
plt.title('Complex Histogram')  
plt.xlabel('Value')  
plt.ylabel('Frequency')  
  
# 添加图例  
plt.legend()  
  
# 自定义坐标轴范围  
plt.xlim(\-4, 4)  
plt.ylim(0, 300)  
  
# 添加网格线  
plt.grid(True, linestyle='--', alpha=0.6)  
  
# 保存图像（可选）  
# plt.savefig('complex\_histogram.png')  
  
# 显示图像  
plt.show()  

代码中，包含三个不同的数据系列，每个系列都具有不同的颜色、透明度和边界线颜色。直方图的bins数设置为20，可以根据需要进行调整。

可以根据实际情况自定义样式、颜色和标签。

柱状图

柱状图（Bar Plot）：用于比较不同类别之间的数据，例如不同产品的销售量或不同类别的统计数据。

当涉及到柱状图可视化时，Matplotlib提供了丰富的自定义选项。

下面代码将创建一个具有多个数据系列、堆叠柱状图和自定义颜色、标签等属性的柱状图。

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集（多个数据系列）  
categories = \['Category A', 'Category B', 'Category C', 'Category D'\]  
data\_series1 = \[3, 4, 2, 6\]  
data\_series2 = \[2, 5, 1, 4\]  
data\_series3 = \[1, 3, 4, 2\]  
  
# 创建一个Matplotlib图表  
plt.figure(figsize=(10, 6))  # 设置图表的大小  
  
# 绘制柱状图（堆叠）  
bar\_width = 0.2  
index = np.arange(len(categories))  
plt.bar(index, data\_series1, bar\_width, label='Series 1', color='blue', edgecolor='black')  
plt.bar(index, data\_series2, bar\_width, label='Series 2', color='green', edgecolor='black', bottom=data\_series1)  
plt.bar(index, data\_series3, bar\_width, label='Series 3', color='purple', edgecolor='black', bottom=np.array(data\_series1) + np.array(data\_series2))  
  
# 添加标题和标签  
plt.title('Complex Bar Chart')  
plt.xlabel('Categories')  
plt.ylabel('Values')  
  
# 添加图例  
plt.legend()  
  
# 自定义坐标轴标签  
plt.xticks(index, categories)  
  
# 自定义坐标轴范围  
plt.ylim(0, 15)  
  
# 添加网格线  
plt.grid(True, linestyle='--', alpha=0.6)  
  
# 保存图像（可选）  
# plt.savefig('complex\_bar\_chart.png')  
  
# 显示图像  
plt.show()  

示例中，使用了三个数据系列，每个系列都具有不同的颜色。柱状图被堆叠在一起，以显示每个类别中各系列的值，并使用bottom参数来堆叠。

箱线图

箱线图（Box Plot）：用于展示数据的分布、中位数、离群值等统计信息，有助于检测数据中的异常值。

导入必要的库和生成一个示例数据集：

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建一个示例数据集，这里使用随机生成的数据  
np.random.seed(0)  
data = \[np.random.normal(0, std, 100) for std in range(1, 4)\]  
  
# 设置箱线图的标签  
labels = \['Dataset 1', 'Dataset 2', 'Dataset 3'\]  
  
# 创建一个箱线图  
fig, ax = plt.subplots(figsize=(10, 6))  
  
# 自定义箱线图的外观，包括颜色、填充、标记和线宽  
boxprops = dict(linewidth=2, color='blue', facecolor='lightblue')  
flierprops = dict(marker='o', markerfacecolor='red', markersize=8, linestyle='none')  
medianprops = dict(linestyle='-', linewidth=2, color='green')  
whiskerprops = dict(color='blue', linewidth=2)  
capprops = dict(color='blue', linewidth=2)  
  
# 画出箱线图  
bplot = ax.boxplot(data, vert=True, patch\_artist=True, labels=labels,  
                   boxprops=boxprops, flierprops=flierprops,  
                   medianprops=medianprops, whiskerprops=whiskerprops,  
                   capprops=capprops)  
  
# 自定义Y轴标签  
ax.set\_ylabel('Values')  
  
# 添加标题  
ax.set\_title('Complex Box Plot')  
  
# 添加网格线  
ax.yaxis.grid(True, linestyle='--', which='major', color='gray', alpha=0.7)  
  
# 自定义箱线图的背景色  
colors = \['lightblue', 'lightgreen', 'lightpink'\]  
for patch, color in zip(bplot\['boxes'\], colors):  
    patch.set\_facecolor(color)  
  
# 自定义X轴刻度标签  
ax.set\_xticklabels(labels)  
  
# 显示图例  
legend\_elements = \[plt.Line2D(\[0\], \[0\], marker='o', color='w', markerfacecolor='red', markersize=10, label='Outliers')\]  
ax.legend(handles=legend\_elements, loc='upper right')  
  
# 自定义X轴标签位置  
ax.set\_xticks(np.arange(1, len(labels) + 1))  
  
# 调整Y轴刻度范围，根据的数据集进行调整  
ax.set\_ylim(\-5, 10)  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

上面代码创建不同颜色的箱体、自定义标记的异常值、自定义线条属性和其他个性化选项。

热力图

热力图（Heatmap）：用于可视化矩阵数据，通常用于显示相关性、相似性矩阵或特征之间的关系。

下面创建一个热力图，并提供多个定制化参数：

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集（这里使用随机生成的数据）  
np.random.seed(0)  
data = np.random.rand(10, 10)  
  
# 设置热力图的标签和自定义参数  
labels = \['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'\]  
cmap = 'YlOrRd'  # 自定义颜色映射  
annot = True     # 显示数值标签  
fmt = '.2f'      # 数值标签格式  
  
# 创建热力图  
fig, ax = plt.subplots(figsize=(8, 8))  
  
# 自定义热力图的外观  
heatmap = ax.imshow(data, cmap=cmap, aspect='auto')  
  
# 显示数值标签  
if annot:  
    for i in range(len(labels)):  
        for j in range(len(labels)):  
            text = ax.text(j, i, format(data\[i, j\], fmt),  
                           ha="center", va="center", color="black")  
  
# 添加颜色条  
cbar = plt.colorbar(heatmap)  
  
# 自定义X轴和Y轴标签  
ax.set\_xticks(np.arange(len(labels)))  
ax.set\_yticks(np.arange(len(labels)))  
ax.set\_xticklabels(labels)  
ax.set\_yticklabels(labels)  
  
# 添加标题  
ax.set\_title('Customized Heatmap')  
  
# 自定义热力图的颜色条标签  
cbar.set\_label('Values', rotation=270, labelpad=15)  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

上面代码中提供了多个定制化参数，包括颜色映射、数值标签、数值标签格式、颜色条标签等。可以根据自己的数据集和需求进一步自定义热力图，例如更改颜色映射、调整数值标签格式、添加自定义标题等。

饼图

饼图（Pie Chart）：用于显示数据的部分与整体的比例，通常用于显示类别的占比。

一个出色的饼图，并提供多个定制化参数，使用随机数据集进行案例的展示：

import matplotlib.pyplot as plt  
  
# 创建示例数据集（这里使用随机生成的数据）  
labels = \['Category A', 'Category B', 'Category C', 'Category D'\]  
sizes = \[15, 30, 45, 10\]  # 自定义每个类别的大小  
explode = (0.1, 0, 0, 0)  # 自定义饼图中的分离  
  
# 自定义颜色，可以使用Matplotlib中的其他颜色映射  
colors = \['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0'\]  
  
# 自定义百分比格式  
autopct = '%1.1f%%'  
  
# 创建饼图  
fig, ax = plt.subplots()  
  
# 自定义饼图的外观  
ax.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=autopct,  
       shadow=True, startangle=90, wedgeprops={'edgecolor': 'gray'})  
  
# 添加标题  
ax.set\_title('Customized Pie Chart')  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

上面创建的饼图中，提供了多个定制化参数，包括每个类别的大小、分离、颜色、百分比格式等。可以根据自己的数据集和需求进一步自定义饼图，例如更改颜色、调整百分比格式、添加自定义标题等。

面积图

面积图（Area Plot）：类似于折线图，但可以用于展示多个类别之间的堆积关系，通常用于时间序列数据。

创建一个面积堆积图时，需要考虑多个定制化参数以确保可视化效果出色。

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集  
years = \[2010, 2011, 2012, 2013, 2014\]  
categories = \['Category A', 'Category B', 'Category C', 'Category D'\]  
  
data = np.array(\[  
    \[5, 8, 6, 9, 12\],  
    \[7, 10, 8, 11, 14\],  
    \[4, 6, 5, 7, 9\],  
    \[3, 5, 4, 6, 7\]  
\])  
  
# 自定义堆积颜色  
colors = \['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0'\]  
  
# 创建面积堆积图  
fig, ax = plt.subplots(figsize=(10, 6))  
  
# 绘制面积堆积图  
bottoms = np.zeros(len(years))  
for i, category in enumerate(categories):  
    ax.fill\_between(years, bottoms, bottoms + data\[i\], label=category, color=colors\[i\], alpha=0.7)  
    bottoms += data\[i\]  
  
# 添加标题  
ax.set\_title('Customized Stacked Area Chart (Complex Data)')  
  
# 自定义X轴和Y轴标签  
ax.set\_xlabel('Year')  
ax.set\_ylabel('Values')  
  
# 添加图例  
ax.legend(loc='upper left')  
  
# 添加阴影  
ax.grid(alpha=0.3)  
  
# 自定义Y轴刻度  
ax.set\_yticks(np.arange(0, max(bottoms), step=10))  
  
# 自定义X轴刻度标签  
ax.set\_xticks(years)  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

包括数据集、自定义颜色、图例、标签、标题、阴影、刻度标签等。

等高线图

等高线图（Contour Plot）：用于可视化二维数据的等高线，通常用于显示函数的等值线。

下面案例包含自定义的数据集和多个定制化参数：

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建示例数据集  
x = np.linspace(\-2, 2, 400)  
y = np.linspace(\-2, 2, 400)  
X, Y = np.meshgrid(x, y)  
Z = np.sin(np.sqrt(X\*\*2 + Y\*\*2)) \* np.exp(\-0.2 \* np.sqrt(X\*\*2 + Y\*\*2))  
  
# 自定义等高线参数  
levels = np.linspace(\-1, 1, 20)  
cmap = plt.get\_cmap('RdYlBu\_r')  # 自定义颜色映射  
  
# 创建等高线图  
fig, ax = plt.subplots(figsize=(8, 8))  
  
# 绘制等高线图  
contour = ax.contourf(X, Y, Z, levels=levels, cmap=cmap)  
  
# 添加等高线线条  
contour\_lines = ax.contour(X, Y, Z, levels=levels, colors='k', linewidths=0.5)  
  
# 添加颜色条  
cbar = plt.colorbar(contour, ax=ax, ticks=np.arange(\-1, 1.2, 0.2))  
cbar.set\_label('Values')  
  
# 添加标题  
ax.set\_title('Customized Contour Plot')  
  
# 自定义X轴和Y轴标签  
ax.set\_xlabel('X-axis')  
ax.set\_ylabel('Y-axis')  
  
# 添加网格线  
ax.grid(linestyle='--', alpha=0.7)  
  
# 添加等高线标签  
ax.clabel(contour\_lines, inline=1, fontsize=8, fmt='%0.1f')  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

创建了一个等高线图，包括自定义等高线参数、颜色映射、颜色条、等高线线条、标签、标题、网格线等。

可以根据实际情况自定义等高线图，例如更改颜色、调整标签、添加自定义标题等。

3D图

3D图（3D Plot）：用于可视化包含三个变量的数据，例如三维散点图、三维曲面图等。

同样是使用了自定义的数据集和多个定制化参数：

import matplotlib.pyplot as plt  
from mpl\_toolkits.mplot3d import Axes3D  
import numpy as np  
  
# 创建示例数据集  
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)) / (np.sqrt(X\*\*2 + Y\*\*2) + 1)  
  
# 创建3D图形  
fig = plt.figure(figsize=(10, 8))  
ax = fig.add\_subplot(111, projection='3d')  
  
# 自定义颜色映射和标签  
cmap = plt.get\_cmap('viridis')  
ax.plot\_surface(X, Y, Z, cmap=cmap, label='Surface Plot')  
  
# 添加颜色条  
cbar = fig.colorbar(ax.plot\_surface(X, Y, Z, cmap=cmap), ax=ax, pad=0.1)  
cbar.set\_label('Values')  
  
# 添加标题  
ax.set\_title('Customized 3D Surface Plot')  
  
# 自定义坐标轴标签  
ax.set\_xlabel('X-axis')  
ax.set\_ylabel('Y-axis')  
ax.set\_zlabel('Z-axis')  
  
# 自定义坐标轴刻度  
ax.set\_xticks(np.arange(\-5, 6, 2))  
ax.set\_yticks(np.arange(\-5, 6, 2))  
  
# 自定义视角  
ax.view\_init(elev=20, azim=45)  # 仰角和方位角  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

上面代码中，创建了一个复杂的3D表面绘图，包括自定义颜色映射、颜色条、标签、标题、坐标轴标签、坐标轴刻度和视角。

根据自己的情况，可以更改颜色映射、调整标签、添加自定义标题等。

时间序列图

时间序列图（Time Series Plot）：用于可视化时间序列数据，通常包括折线图和柱状图，以便观察时间趋势和季节性模式。

创建一个时间序列图，其中包含复杂的数据集和多个定制化参数：

import matplotlib.pyplot as plt  
import numpy as np  
import pandas as pd  
  
# 创建示例数据集  
np.random.seed(0)  
dates = pd.date\_range('2023-01-01', '2023-12-31', freq='D')  
num\_series = 5  
data = np.random.randn(len(dates), num\_series).cumsum(axis=0)  
  
# 创建时间序列图  
fig, ax = plt.subplots(figsize=(12, 6))  
  
# 自定义线条颜色和样式  
colors = \['b', 'g', 'r', 'c', 'm'\]  
linestyles = \['-', '--', '-.', ':', '-'\]  
  
for i in range(num\_series):  
    ax.plot(dates, data\[:, i\], label=f'Series {i+1}', color=colors\[i\], linestyle=linestyles\[i\])  
  
# 添加标题  
ax.set\_title('Customized Time Series Plot')  
  
# 自定义X轴和Y轴标签  
ax.set\_xlabel('Date')  
ax.set\_ylabel('Value')  
  
# 添加图例  
ax.legend(loc='upper left')  
  
# 添加网格线  
ax.grid(linestyle='--', alpha=0.7)  
  
# 自定义X轴的日期刻度显示  
ax.xaxis.set\_major\_locator(plt.MaxNLocator(10))  # 最多显示10个日期刻度  
  
# 自定义日期刻度标签的格式  
from matplotlib.dates import DateFormatter  
date\_format = DateFormatter('%b %d')  
ax.xaxis.set\_major\_formatter(date\_format)  
  
# 自定义Y轴刻度范围  
ax.set\_ylim(\-10, 10)  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  
  

上面代码中，自定义线条颜色和样式、标签、标题、坐标轴标签、图例、网格线、日期刻度显示和日期刻度标签的格式。

可以根据自己的需求继续自定义时间序列图，例如更改颜色、调整标签、添加自定义标题等。

树状图

树状图（Tree Diagram）：用于可视化决策树、层次聚类等树状结构的数据。

使用networkx库来构建树的结构，并使用matplotlib进行可视化。

首先，需要安装networkx库：

pip install networkx  

然后，可以使用以下代码进行绘制：

import matplotlib.pyplot as plt  
import networkx as nx  
  
# 创建示例数据集  
G = nx.DiGraph()  
G.add\_nodes\_from(\[1, 2, 3, 4, 5, 6, 7, 8, 9, 10\])  
G.add\_edges\_from(\[(1, 2), (1, 3), (2, 4), (2, 5), (3, 6), (3, 7), (4, 8), (4, 9), (5, 10)\])  
  
# 创建树状图布局  
pos = nx.spring\_layout(G, seed=42)  
  
# 自定义节点颜色和大小  
node\_colors = \['#1f78b4' for \_ in G.nodes()\]  
node\_sizes = \[800 for \_ in G.nodes()\]  
  
# 创建树状图  
fig, ax = plt.subplots(figsize=(10, 8))  
  
# 绘制树状图  
nx.draw(G, pos, ax=ax, with\_labels=True, node\_color=node\_colors, node\_size=node\_sizes,  
        font\_size=10, font\_weight='bold', edge\_color='gray', width=1.0, arrows=True)  
  
# 添加标题  
ax.set\_title('Customized Tree Diagram')  
  
# 显示图形  
plt.tight\_layout()  
plt.show()  

包括自定义数据集、自定义节点颜色、大小、标签、标题、布局、边的颜色和宽度等。

最后

喜欢本文的朋友可以收藏、点赞、转发起来！

往期精彩回顾

  

  

  

  

*   [适合初学者入门人工智能的路线及资料下载](http://mp.weixin.qq.com/s?__biz=MzIwODI2NDkxNQ==&mid=2247484737&idx=1&sn=27c52b4bc4ca98d3ab817344b84226cc&chksm=97048efda07307eb78d4f4ec0039a386a658404156b051af0cb715fafa8d2ae66cbe49343bf3&scene=21#wechat_redirect)
    
*   [(图文+视频)机器学习入门系列下载](https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzIwODI2NDkxNQ==&action=getalbum&album_id=2259163844755406853#wechat_redirect)
    
*   [机器学习及深度学习笔记等资料打印](http://mp.weixin.qq.com/s?__biz=MzIwODI2NDkxNQ==&mid=2247488304&idx=1&sn=581944f63eab1822ca53b9a4eeedad79&chksm=9704988ca073119a38a534adbedd51ca0b5705cdd6a104fed74b265bb092485e97c91bb5b347&scene=21#wechat_redirect)
    
*   [《统计学习方法》的代码复现专辑  
    ](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&album_id=1337257945842778113&__biz=MzIwODI2NDkxNQ==#wechat_redirect)
    

*   ```
    
    
    交流群
    
    
    ```
    

**欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（**也可以加入机器学习交流qq群772479961）