【数据可视化-01】Matplotlib图形实战宝典

  在数据分析领域，图形化展示数据是非常重要的环节。Python中的matplotlib库是绘制各类图形的强大工具。本文将介绍如何使用matplotlib绘制折线图、直方图、饼图、散点图和柱状图等数据分析中常见的图形，并附上相应的代码示例，可以当初matplotlib函数库来使用，将案列中的数据替换成自己真实的数据即可绘制出符合条件的图像。
  关于matplotlib进行数据可视化的案列，具体参考Matplotlib 3.6.0 文档示例库，里面给出各种图形可视化的案列代码，具体如下所示：
在这里插入图片描述
  下面示点进去带标签的分组条形图页面下官方代码案列；
  此示例显示如何创建分组条形图以及如何使用标签注释条形图。
在这里插入图片描述
  接下来我们将详细介绍matplotlib在进行数据可视化分析过程常用的图像绘制；

一、折线图（Line Plot）

  折线图通常用于展示数据随时间或其他连续变量的变化趋势。

import matplotlib.pyplot as plt
import numpy as np

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

# 绘制折线图
plt.plot(x, y)

# 设置图表标题和坐标轴标签
plt.title('Sin Curve')
plt.xlabel('x')
plt.ylabel('y')

# 显示图表
plt.show()

在这里插入图片描述

二、直方图（Histogram）

  直方图用于展示数据的分布情况，特别是连续型变量的分布情况。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data = np.random.randn(1000)

# 绘制直方图
plt.hist(data, bins=30, edgecolor='black')

# 设置图表标题和坐标轴标签
plt.title('Histogram of Data')
plt.xlabel('Value')
plt.ylabel('Frequency')

# 显示图表
plt.show()

在这里插入图片描述

三、饼图（Pie Chart）

  饼图用于展示各类别的比例或占比。

import matplotlib.pyplot as plt

# 创建数据
labels = ['Category A', 'Category B', 'Category C']
sizes = [15, 30, 55]

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)

# 设置图表标题
plt.title('Pie Chart Example')

# 显示图表
plt.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()

在这里插入图片描述

四、散点图（Scatter Plot）

  散点图用于展示两个变量之间的关系，通过点的分布来观察是否存在某种趋势或模式。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.random.rand(50)
y = np.random.rand(50)

# 绘制散点图
plt.scatter(x, y)

# 设置图表标题和坐标轴标签
plt.title('Scatter Plot Example')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图表
plt.show()

在这里插入图片描述

五、柱状图（Bar Chart）

  柱状图用于比较不同类别或不同时间点的数据大小。

import matplotlib.pyplot as plt

# 创建数据
categories = ['Category 1', 'Category 2', 'Category 3']
values = [10, 15, 7]

# 绘制柱状图
plt.bar(categories, values)

# 设置图表标题和坐标轴标签
plt.title('Bar Chart Example')
plt.xlabel('Categories')
plt.ylabel('Values')

# 显示图表
plt.show()

在这里插入图片描述

六、箱线图（Box Plot）

  箱线图用于展示一组数据的分布情况，包括最小值、下四分位数、中位数、上四分位数和最大值。

  下面是一个简单的示例，说明如何绘制箱线图，其中特征名称作为X轴的标签：

import matplotlib.pyplot as plt
import numpy as np

# 创建一些示例数据
np.random.seed(10)
data = {
    'Feature 1': np.random.normal(0, 1, 100),
    'Feature 2': np.random.normal(1, 1.5, 100),
    'Feature 3': np.random.normal(-1, 0.7, 100),
    'Feature 4': np.random.normal(2, 2, 100)
}

# 提取数据列表和特征名称列表
values = list(data.values())
labels = list(data.keys())

# 绘制箱线图
fig, ax = plt.subplots()
ax.boxplot(values, vert=True, patch_artist=True, labels=labels)

# 设置图表标题
ax.set_title('Box Plot with Features as X-axis Labels')

# 显示网格
ax.grid(True)

# 显示图表
plt.show()

在这里插入图片描述

  设置vert=True（这是默认值，表示箱体是垂直的），并启用patch_artist=True以允许我们为箱体设置颜色。最后，我们设置了图表的标题，并显示了网格和图表。

  要绘制水平分布的箱线图（即箱体的长轴沿X轴方向），你需要对matplotlib的boxplot函数进行一些调整。特别地，你需要设置vert参数为False，这样箱线图就会水平显示。下面是一个简单的示例，说明如何创建水平箱线图：

import matplotlib.pyplot as plt
import numpy as np

# 创建一些示例数据
np.random.seed(10)
data = {
    'Feature 1': np.random.normal(0, 1, 100),
    'Feature 2': np.random.normal(1, 1.5, 100),
    'Feature 3': np.random.normal(-1, 0.7, 100),
    'Feature 4': np.random.normal(2, 2, 100)
}

# 提取数据为列表
values = [data[feature] for feature in data]

# 创建箱线图的位置（即X轴上的刻度位置）
positions = np.arange(len(data))

# 绘制水平箱线图
fig, ax = plt.subplots()
ax.boxplot(values, vert=False, patch_artist=True, positions=positions, notch=False)

# 设置箱线图的颜色
colors = ['b', 'g', 'r', 'c']
for patch, color in zip(ax.artists, colors):
    patch.set_facecolor(color)

# 设置X轴和Y轴的标签
ax.set_xlabel('Value')
ax.set_ylabel('Features')
ax.set_yticklabels(data.keys())  # 设置Y轴刻度标签为特征的名称

# 显示网格
ax.grid(True)

# 显示图表
plt.show()

在这里插入图片描述

七、箱线图
  面积图（Area Chart）结合了折线图和面积图的特性，可以展示随时间或其他连续变量的数据变化趋势，并且通过堆叠面积来表示多个类别的数据总量及其各自贡献。

  下面是一个简单的示例代码，演示如何使用matplotlib绘制折线面积图：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制折线图和折线面积图
fig, ax = plt.subplots()
ax.plot(x, y1, label='sin(x)', color='blue', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='red', linewidth=2)

# 绘制y1的面积图
ax.fill_between(x, y1, where=y1>=0, color='lightblue', interpolate=True)
ax.fill_between(x, y1, where=y1<0, color='blue', interpolate=True)

# 绘制y2的面积图，注意要调整y的起始值以避免重叠
ax.fill_between(x, y1+y2, where=(y1+y2)>=0, color='lightpink', interpolate=True)
ax.fill_between(x, y1+y2, where=(y1+y2)<0, color='pink', interpolate=True)

# 设置图表标题和坐标轴标签
ax.set_title('Stacked Line Area Chart Example')
ax.set_xlabel('x')
ax.set_ylabel('y')

# 添加图例
ax.legend()

# 显示网格
ax.grid(True)

# 显示图表
plt.show()

在这里插入图片描述

  在上面的代码中，我们首先定义了两个函数y1和y2，它们分别代表sin(x)和cos(x)的值。然后，我们使用plot函数绘制了这两个函数的折线图。接下来，我们使用fill_between函数来绘制每个函数的面积图。需要注意的是，为了避免面积图之间的重叠，我们在绘制y2的面积图时，将y的起始值调整为y1+y2。

  最后，我们设置了图表的标题、坐标轴标签，并添加了图例。调用plt.show()函数来显示最终的折线面积图。

八、热力图

  为了更直观地绘制热力图，通常会使用seaborn库，它是基于matplotlib的一个更高级的统计绘图库。下面是一个使用seaborn绘制热力图的示例代码：

  首先，确保你已经安装了seaborn库。如果没有安装，可以使用pip进行安装：

pip install seaborn

  然后，你可以使用以下代码来绘制热力图：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# 创建一个随机数据矩阵
data = np.random.rand(10, 12)

# 创建一个热力图
heatmap = sns.heatmap(data, cmap='coolwarm', annot=True, fmt=".2f")

# 设置X轴和Y轴的标签
heatmap.set_xticklabels(range(1, 13))  # 设置X轴刻度标签
heatmap.set_yticklabels(range(1, 11))  # 设置Y轴刻度标签

# 设置图表的标题
plt.title('Heatmap Example')

# 显示图表
plt.show()

在这里插入图片描述

  在这个例子中，我们首先导入了所需的库，然后创建了一个10x12的随机数据矩阵。接着，我们使用sns.heatmap函数来绘制热力图，其中data参数是我们要展示的数据，cmap参数定义了颜色映射（这里使用了’coolwarm’），annot=True表示在每个格子中显示数据值，fmt=".2f"定义了数值的格式。最后，我们设置了X轴和Y轴的刻度标签，并为图表添加了标题。

  如果你坚持使用matplotlib而不使用seaborn，你也可以通过绘制一系列带颜色的矩形来手动创建热力图，但这将比使用seaborn更加复杂。因此，推荐使用seaborn来绘制热力图，因为它提供了更简洁、更高级的接口。

  后面将继续介绍seaborn绘图库；因为seaborn并是一个绘图库，它与DataFrame对象有很好的集成。

九、折线图多功能的封装图
  下面封装的ineChartPlotter类，是为绘制不同种类的折线图，有draw_line_chart、draw_line_ndims_one_dim和draw_nline_chart方法，具体的作用参看图片即可了解；

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

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体：解决plot不能显示中文问题
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

class LineChartPlotter:  
    def __init__(self):  
        self.fig = None  
        self.ax = None  
  
    def draw_line_chart(self, x, y, marker='o', label='工业', xlabel='Time', ylabel='Flow (累计进水流量)', title='南部污水厂累计进水流量（JSLL1/LJLL）'):  
        """在图上绘制一条折线图"""  
        self.fig, self.ax = plt.subplots()  
        self.ax.plot(x, y, marker=marker, label=label)  
        self.ax.set_xlabel(xlabel)  
        self.ax.set_ylabel(ylabel)  
        self.ax.legend()  
        self.ax.set_title(title)  
        self.ax.grid(True)  
        plt.show()  
  
    def draw_line_ndims_one_dim(self, data, xlabel='time', n=None, title='趋势对比图'):  
        """绘制一个n*1行的一个折线图，共用一个坐标轴"""  
        if n is None:  
            n = data.shape[1] - 1  
        self.fig, axs = plt.subplots(n, 1, figsize=(10, 15), sharex=True)  
        colors = plt.cm.viridis(np.linspace(0, 1, n))  
        for i, col in enumerate(data.columns[1:]):  
            if col != xlabel:  
                axs[i].plot(data[xlabel], data[col], color=colors[i], label=col)  
                axs[i].set_ylabel(f'({col})')  
                axs[i].legend()  
        axs[-1].set_xlabel('Time')  
        plt.tight_layout()  
        self.fig.suptitle(title)  
        plt.show()  
  
    def draw_nline_chart(self, data, xlabel='time', y_label='Flow', title='趋势对比图'):  
        """这一个图上绘制多个曲线的折线图"""  
        self.fig, self.ax = plt.subplots(figsize=(10, 5))  
        for column in data.columns[1:]:  
            self.ax.plot(data[xlabel], data[column], label=column)  
        self.ax.set_xlabel(xlabel)  
        self.ax.set_ylabel(y_label)  
        self.ax.set_title(title)  
        self.ax.legend()  
        max_flow = data[data.columns[1:]].max().max()  
        self.ax.set_ylim(0, max_flow)  
        self.ax.grid(True)  
        plt.show()  
    
# 使用示例  
if __name__ == "__main__":  
    # 假设我们有一个DataFrame，包含时间和多个流量序列  
    data = pd.DataFrame({  
        'time': pd.date_range(start='2023-01-01', periods=100, freq='D'),  
        'flow1': np.random.rand(100),  
        'flow2': np.random.rand(100),  
        'flow3': np.random.rand(100)  
    })  
  
    # 创建绘图对象  
    plotter = LineChartPlotter()  
  
    # 绘制单个折线图  
    # plotter.draw_line_chart(data['time'], data['flow1'], label='Flow 1')  
  
    # # 绘制多个子图的折线图  
    # plotter.draw_line_ndims_one_dim(data)  
  
    # # 绘制单个图上的多个折线图  
    # plotter.draw_nline_chart(data)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  总之matplotlib是Python中一个功能强大的数据可视化库，它提供了丰富的绘图接口，可以帮助用户快速创建各种高质量的图形，如折线图、直方图、饼图、散点图、柱状图等。以下是使用matplotlib进行数据可视化的几个关键总结和优势：

  • 多样化的图形支持：
      matplotlib支持绘制各种常见的统计图形，包括折线图、柱状图、散点图等，也支持更复杂的图形，如热力图、等高线图等。这使得matplotlib能够应对各种数据分析和可视化的需求。

  • 高度可定制性：
      matplotlib提供了大量的参数和选项，用户可以根据需要自定义图形的各个方面，包括颜色、线条样式、字体、图例等。这使得用户能够根据自己的需求和审美创建出独一无二的图形。

  • 易于集成：
      matplotlib可以与Python中的其他库（如NumPy、Pandas等）无缝集成，使得数据预处理、数据分析和数据可视化可以在同一个环境中进行。这大大提高了数据分析和可视化的效率。

  • 交互式图形：
      matplotlib支持创建交互式图形，用户可以通过鼠标和键盘与图形进行交互，如缩放、平移、选择数据点等。这使得用户能够更深入地探索和分析数据。

  • 丰富的文档和社区支持：
      matplotlib拥有完善的文档和活跃的社区支持，用户可以通过官方文档、教程、示例代码以及社区论坛等途径获取帮助和解答问题。这使得学习和使用matplotlib变得更加容易。

  • 高质量的输出：
      matplotlib可以生成高质量的图形输出，支持多种文件格式（如PNG、PDF、SVG等），可以满足不同场景下的需求。同时，matplotlib还支持在图形中嵌入LaTeX数学公式，使得图形更具专业性和可读性。

  • 跨平台兼容性：
      matplotlib具有良好的跨平台兼容性，可以在Windows、Linux和Mac OS等操作系统上运行。这使得用户可以在不同的平台上使用matplotlib进行数据可视化。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/603766.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

GD32F103RCT6/GD32F303RCT6（9）高级定时器互补PWM波输出实验

GD32F103RCT6/GD32F303RCT6（9）高级定时器互补PWM波输出实验

本文章基于兆易创新GD32 MCU所提供的2.2.4版本库函数开发 后续项目主要在下面该专栏中发布&#xff1a; 手把手教你嵌入式国产化_不及你的温柔的博客-CSDN博客 感兴趣的点个关注收藏一下吧! 电机驱动开发可以跳转&#xff1a; 手把手教你嵌入式国产化-实战项目-无刷电机驱动&am…
阅读更多...
第 8 章 电机测速(自学二刷笔记)

第 8 章 电机测速(自学二刷笔记)

重要参考&#xff1a; 课程链接:https://www.bilibili.com/video/BV1Ci4y1L7ZZ 讲义链接:Introduction Autolabor-ROS机器人入门课程《ROS理论与实践》零基础教程 8.3.3 电机测速01_理论 测速实现是调速实现的前提&#xff0c;本节主要介绍AB相增量式编码器测速原理。 1.概…
阅读更多...
深度学习——前馈全连接神经网络

深度学习——前馈全连接神经网络

前馈全连接神经网络 1.导入需要的工具包2.数据导入与数据观察&#xff08;1&#xff09;读取csv的文件信息&#xff1a;&#xff08;2&#xff09;训练数据前5行&#xff08;3&#xff09;打印第一个图&#xff08;4&#xff09;观察数据中的信息&#xff08;5&#xff09;查看…
阅读更多...
浏览器输入URL到页面展示的过程详解

浏览器输入URL到页面展示的过程详解

重点面试题&#xff1a;当你的浏览器中地址栏输入地址并回车的一瞬间到页面能够展示回来&#xff0c;经历了什么&#xff1f; step 1、URL解析 URL&#xff1a;internet上的每一个网页都具有一个唯一的名称标识&#xff0c;通常称之为URL&#xff08;Uniform Resource Locator…
阅读更多...
2024蓝桥杯网络安全部分赛题wp

2024蓝桥杯网络安全部分赛题wp

爬虫协议 题目给了提示访问robots.txt 会出三个目录 访问最后一个 点进去就flag{22560c15-577c-4c8b-9944-815473758bad} packet 下载附件&#xff0c;这个是流量包 放wireshark流量分析 搜http协议 发现有cat flag命令&#xff0c;直接看他返回的流量 最后base64解码即可…
阅读更多...
C++|多态(虚函数、抽象类、多态原理)

C++|多态(虚函数、抽象类、多态原理)

目录 一、多态的概念及构成 1.1概念 1.2多态的构成条件(继承虚函数) 二、虚函数和虚函数重写 2.1虚函数和虚函数重写的概念 2.2虚函数的"异变"(协变析构重写) 2.3虚函数的扩展(overridefinal) 2.4重载、重写(覆盖)、隐藏(重定义)的对比 三、抽象类 3.1概念…
阅读更多...
43.乐理基础-拍号-常见的拍号与强弱关系

43.乐理基础-拍号-常见的拍号与强弱关系

首先拍号的定义&#xff1a;39.认识音符、40.什么是一拍、41.小节、小节线、终止线、42.看懂拍号的意义 通过 39.认识音符、40.什么是一拍、41.小节、小节线、终止线、42.看懂拍号的意义 应该可以知道 Y的取值只能是2、4、8、16、32、64。。。。因为Y指的是Y分音符&#xff0c;…
阅读更多...
树莓派4b测量PM2.5

树莓派4b测量PM2.5

1.GP2Y1010AU0F粉尘传感器连接图 2. GP2Y1010AU0F工作原理 工作原理 传感器中心有个洞可以让空气自由流过，定向发射LED光，通过检测经过空气中灰尘折射过后的光线来判断灰尘的含量。 3.源代码 main.py # coding=UTF-8 import RPi.GPIO as GPIO from ADC import ADS1015…
阅读更多...
【进程等待】是什么 | 为什么 | 怎么办 | wait阻塞等待

【进程等待】是什么 | 为什么 | 怎么办 | wait阻塞等待

目录 进程等待是什么&#xff1f; 为什么要进程等待&#xff1f; 如何进程等待&#xff1f; wait 阻塞等待 进程等待是什么&#xff1f; 进程终止会把进程退出的数据&#xff08;退出码和退出信号&#xff09;存放到进程的PCB中保存下来&#xff0c;让父进程进行等待。…
阅读更多...
OpenHarmony 实战开发 - 如何在源码中编译复杂应用（4.0-Release）

OpenHarmony 实战开发 - 如何在源码中编译复杂应用（4.0-Release）

文档环境 开发环境&#xff1a;Windows 11 编译环境&#xff1a;Ubuntu 22.04 开发板型号&#xff1a;DAYU 200&#xff08;RK3568&#xff09; 系统版本&#xff1a;OpenHarmony-4.0-Release 功能简介 在 OpenHarmony 系统中预安装应用的 hap 包会随系统编译打包到镜像中&a…
阅读更多...
Java毕业设计 基于SpringBoot vue社区智慧养老监护管理平台

Java毕业设计 基于SpringBoot vue社区智慧养老监护管理平台

Java毕业设计 基于SpringBoot vue社区智慧养老监护管理平台 SpringBoot 社区智慧养老监护管理平台 功能介绍 登录注册 个人中心 修改密码 个人信息 房间信息管理 房间入住信息管理 反馈信息管理 留言管理 老人信息管理 公告管理 物资申请管理 管理员管理 护工管理 体检员管理…
阅读更多...
浅谈Windows 上的线程亲和性(Thread affinity)

浅谈Windows 上的线程亲和性(Thread affinity)

​ 前言 线程属性包括是否分离、亲和性、调度策略和优先级等。Linux默认的调度策略是CFS（完全公平调度算法），而 Windows 是基于优先级抢占式的策略。 在这些方面，Windows 和 Linux 差异巨大。本文仅针对 Windows 系统的线程亲和性进行探讨。 线程亲和性(Thread affinity) 什…
阅读更多...
解锁AI的神秘力量：LangChain4j带你步入智能化实践之门

解锁AI的神秘力量：LangChain4j带你步入智能化实践之门

关注微信公众号 “程序员小胖” 每日技术干货&#xff0c;第一时间送达&#xff01; 引言 在数字化转型的浪潮中&#xff0c;人工智能&#xff08;AI&#xff09;正逐渐成为推动企业创新和增长的关键力量。然而&#xff0c;将AI技术融入到日常业务流程并非易事&#xff0c;它…
阅读更多...
谷歌月球模型

谷歌月球模型

收费产品&#xff0c;白嫖党勿扰 收费金额500元 1 概述 前些时间&#xff0c;有个客户&#xff0c;想fight TAIWAN&#xff0c;于是乎&#xff0c;我把谷歌地球整个台湾的模型都下载下来了&#xff0c;大约300GB。今天&#xff0c;又有个客户&#xff0c;提出一个过分要求&…
阅读更多...
【第14章】spring-mvc之ajax

【第14章】spring-mvc之ajax

文章目录 前言一、准备二、单个值1.前端2.后端3. 结果 三、对象1.前端2.后端3. 结果 四、JSON对象1.前端2.后端3. 结果 五、JSON数组1.前端2.后端3. 结果 总结 前言 AJAX&#xff08;Asynchronous JavaScript and XML&#xff09;是一种用于创建快速动态网页的技术&#xff0c…
阅读更多...
STM32：GPIO输入输出

STM32：GPIO输入输出

文章目录 1、GPIO介绍1.1 GPIO的基本结构1.1 GPIO的位结构 2、 GPIO工作模式3、GPIO标准外设库接口函数3.1 RCC接口函数3.2 GPIO接口函数3.2.1 GPIO的读取函数3.2.1 GPIO的写入函数 4、GPIO的初始化 1、GPIO介绍 GPIO&#xff08;General Purpose Input Output&#xff09;通用…
阅读更多...
深入大模型量化技术，大模型端侧落地已Ready？

深入大模型量化技术，大模型端侧落地已Ready？

揭秘未来&#xff1a;大模型量化技术如何革新移动AI应用 ©作者|饮水机 来源|神州问学 前言 最近&#xff0c;苹果发布了OpenELM系列模型&#xff0c;参数规模分别为270M、450M、1.1B和3B。与此同时&#xff0c;微软也推出了Phi-3系列模型&#xff0c;其中mini版本的参数…
阅读更多...
支付时，中国网联结算与中国银联结算的区别与联系

支付时，中国网联结算与中国银联结算的区别与联系

随着电子商务和互联网支付的快速发展&#xff0c;中国的支付清算市场也呈现出前所未有的繁荣景象。在这个大背景下&#xff0c;中国网联与中国银联作为两大支付清算机构&#xff0c;各自扮演着重要的角色。本文将对两者的区别和联系进行深入探讨&#xff0c;以期对读者有更全面…
阅读更多...
【北京迅为】《iTOP-3588开发板快速烧写手册》-第9章ubuntu系统下升级固件

【北京迅为】《iTOP-3588开发板快速烧写手册》-第9章ubuntu系统下升级固件

RK3588是一款低功耗、高性能的处理器&#xff0c;适用于基于arm的PC和Edge计算设备、个人移动互联网设备等数字多媒体应用&#xff0c;RK3588支持8K视频编解码&#xff0c;内置GPU可以完全兼容OpenGLES 1.1、2.0和3.2。RK3588引入了新一代完全基于硬件的最大4800万像素ISP&…
阅读更多...
智慧公厕，城市现代化公卫变革的关键节点

智慧公厕，城市现代化公卫变革的关键节点

随着城市的快速发展&#xff0c;公共厕所作为社会基础民生设施&#xff0c;正越来越受到精细化管理的重视。智慧公厕的出现&#xff0c;为传统公共厕所的脏乱臭提供了解决方案&#xff0c;通过物联网、大数据、云计算、自动化控制等先进技术的贡献&#xff0c;使公厕管理更加高…
阅读更多...
最新文章

Copyright @ 2022~2023