185003人阅读
Python 学习（7）
matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。
它的文档相当完备，并且Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。
在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。
而&则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。
Matplotlib.pyplot快速绘图
matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。
为了方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。我们只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。pyplot模块虽然用法简单，但不适合在较大的应用程序中使用。
为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示&Get Current Figure&和&Get Current Axes&。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：
plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。
可以在Ipython中输入类似&plt.plot??&的命令查看pyplot模块的函数是如何对各种绘图对象进行包装的。
matplotlib所绘制的图表的每个组成部分都和一个对象对应，我们可以通过调用这些对象的属性设置方法set_*()或者pyplot模块的属性设置函数setp()设置它们的属性值。
因为matplotlib实际上是一套面向对象的绘图库，因此也可以直接获取对象的属性
绘制一幅图需要对许多对象的属性进行配置，例如颜色、字体、线型等等。我们在绘图时，并没有逐一对这些属性进行配置，许多都直接采用了matplotlib的缺省配置。
matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中，通过修改配置文件，我们可以修改图表的缺省样式。配置文件的读入可以使用rc_params()，它返回一个配置字典；在matplotlib模块载入时会调用rc_params()，并把得到的配置字典保存到rcParams变量中；matplotlib将使用rcParams字典中的配置进行绘图；用户可以直接修改此字典中的配置，所做的改变会反映到此后创建的绘图元素。
（快速绘图）
Matplotlib 里的常用类的包含关系为&Figure -& Axes -& (Line2D, Text, etc.)一个Figure对象可以包含多个子图(Axes)，在matplotlib中用Axes对象表示一个绘图区域，可以理解为子图。
可以使用subplot()快速绘制包含多个子图的图表，它的调用形式如下：
subplot(numRows, numCols, plotNum)
subplot将整个绘图区域等分为numRows行* numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。
subplot()返回它所创建的Axes对象，我们可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。
（快速绘图）
如果需要同时绘制多幅图表，可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。
import numpy as np
import matplotlib.pyplot as plt
plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2
x = np.linspace(0, 3, 100)
for i in xrange(5):
plt.figure(1)
#? # 选择图表1
plt.plot(x, np.exp(i*x/3))
plt.sca(ax1)
#? # 选择图表2的子图1
plt.plot(x, np.sin(i*x))
plt.sca(ax2)
# 选择图表2的子图2
plt.plot(x, np.cos(i*x))
plt.show()
matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文，可以有几种解决方案。
在程序中直接指定字体。在程序开头修改配置字典rcParams。修改配置文件。
面向对象画图
matplotlib API包含有三层，Artist层处理所有的高层结构，例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道，而不需要关心底层的绘制细节。
直接使用Artists创建图表的标准流程如下：
创建Figure对象用Figure对象创建一个或者多个Axes或者Subplot对象调用Axies等对象的方法创建各种简单类型的Artists
import matplotlib.pyplot as plt
X1 = range(0, 50)
Y1 = [num**2 for num in X1] # y = x^2
X2 = [0, 1]
Y2 = [0, 1]
Fig = plt.figure(figsize=(8,4))
# Create a `figure' instance
Ax = Fig.add_subplot(111)
# Create a `axes' instance in the figure
Ax.plot(X1, Y1, X2, Y2)
# Create a Line2D instance in the axes
Fig.show()
Fig.savefig(&test.pdf&)
《Python科学计算》()&（深入浅出适合系统学习）
&（主要讲面向对象绘图，对于新手可能有点乱）
Matplotlib.pylab快速绘图
matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：
&&& import pylab as pl
1 安装numpy和matplotlib
&&& import numpy
&&& numpy.__version__
&&& import matplotlib
&&& matplotlib.__version__
2 两种常用图类型：Line and scatter plots(使用plot()命令), histogram(使用hist()命令)
2.1 折线图&散点图&Line and scatter plots
2.1.1 折线图 Line plots(关联一组x和y值的直线)
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.show()# show the plot on the screen
2.1.2 散点图 Scatter plots
把pl.plot(x, y)改成pl.plot(x, y, 'o')即可，下图的蓝色版本
2.2& 美化 Making things look pretty
2.2.1 线条颜色&Changing the line&color
红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)
2.2.2 线条样式 Changing the line style
虚线:plot(x,y, '--')
2.2.3 marker样式 Changing the marker style
蓝色星型markers：plot(x,y, ’b*’)
2.2.4 图和轴标题以及轴坐标限度 Plot and axis titles and limits
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 7.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
2.2.5&在一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes
做法是很直接的，依次作图即可:
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
pl.plot(x1, y1, ’r’)# use pylab to plot x and y
pl.plot(x2, y2, ’g’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
2.2.6& 图例 Figure legends
pl.legend((plot1, plot2), (’label1, label2’), 'best’, numpoints=1)
其中第三个参数表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.
如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label=&$cos(x^2)$&)，直接调用plt.legend()就可以了哦。
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
plot1 = pl.plot(x1, y1, ’r’)# use pylab to plot x and y : Give your plots names
plot2 = pl.plot(x2, y2, ’go’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.legend([plot1, plot2], (’red line’, ’green circles’), ’best’, numpoints=1)# make legend
pl.show()# show the plot on the screen
2.3 直方图 Histograms
import numpy as np
import pylab as pl
# make an array of random numbers with a gaussian distribution with
# mean = 5.0
# rms = 3.0
# number of points = 1000
data = np.random.normal(5.0, 3.0, 1000)
# make a histogram of the data array
pl.hist(data)
# make plot labels
pl.xlabel(’data’)
如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)
2.3.1 自定义直方图bin宽度 Setting the width of the histogram bins manually
增加这两行
bins = np.arange(-5., 16., 1.) #浮点数版本的range
pl.hist(data, bins, histtype=’stepfilled’)
3 同一画板上绘制多幅子图 Plotting more than one axis per canvas
如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定
序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
fig1 = pl.figure(1)
pl.subplot(211)
subplot(211)把绘图区域等分为2行*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。
You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:
f1 = pl.figure(1)
pl.subplot(221)
pl.subplot(222)
pl.subplot(212)
当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
pl.subplots_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)
4 绘制文件中的数据Plotting data contained in files
4.1 从Ascii文件中读取数据 Reading data from ascii files
读取文件的方法很多，这里只介绍一种简单的方法，更多的可以参考官方文档和。
numpy的loadtxt方法可以直接读取如下文本数据到numpy二维数组
**********************************************
# fakedata.txt
**********************************************
import numpy as np
import pylab as pl
# Use numpy to load the data contained in the file
# ’fakedata.txt’ into a 2-D array called data
data = np.loadtxt(’fakedata.txt’)
# plot the first column as x, and second column as y
pl.plot(data[:,0], data[:,1], ’ro’)
pl.xlabel(’x’)
pl.ylabel(’y’)
pl.xlim(0.0, 10.)
4.2 写入数据到文件 Writing data to a text file
写文件的方法也很多，这里只介绍一种可用的写入文本文件的方法，更多的可以参考官方文档。
import numpy as np
# Let’s make 2 arrays (x, y) which we will write to a file
# x is an array containing numbers 0 to 10, with intervals of 1
x = np.arange(0.0, 10., 1.)
# y is an array containing the values in x, squared
print ’x = ’, x
print ’y = ’, y
# Now open a file to write the data to
# ’w’ means open for ’writing’
file = open(’testdata.txt’, ’w’)
# loop over each line you want to write to file
for i in range(len(x)):
# make a string for each line you want to write
# ’\t’ means ’tab’
# ’\n’ means ’newline’
# ’str()’ means you are converting the quantity in brackets to a string type
txt = str(x[i]) + ’\t’ + str(y[i]) + ’ \n’
# write the txt to the file
file.write(txt)
# Close your file
file.close()
这部分是翻译自：
对LaTeX数学公式的支持
Matlplotlib对LaTeX有一定的支持，如果记得使用raw字符串语法会很自然：
xlabel(r&$\frac{x^2}{y^4}$&)
在matplotlib里面，可以使用LaTex的命令来编辑公式，只需要在字符串前面加一个“r”即可
Here is a simple example:
# plain text
plt.title('alpha & beta')
produces “alpha & beta”.
Whereas this:
# math text
plt.title(r'$\alpha & \beta$')
produces &&.
这里给大家看一个简单的例子。
import matplotlib.pyplot as plt
x = arange(1,1000,1)
y = [5*(a**r) for a in x]
fig = plt.figure()
ax = fig.add_subplot(111)
ax.loglog(x,y,label = r&$y = \frac{1}{2\sigma_1^2}, c=5,\sigma_1=-2$&)
ax.legend()
ax.set_xlabel(r&x&)
ax.set_ylabel(r&y&)
程序执行结果如图3所示，这实际上是一个power-law的例子，有兴趣的朋友可以继续google之。
再看一个《用Python做科学计算》中的简单例子，下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：
plt.plot(x,y,label=&$sin(x)$&,color=&red&,linewidth=2)
plt.plot(x,z,&b--&,label=&$cos(x^2)$&)
plot函数的调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：
label&: 给所绘制的曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加&$&符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。color&: 指定曲线的颜色linewidth&: 指定曲线的宽度
详细的可以参考matplotlib官方教程:
有几个问题：
matplotlib.rcParams属性字典想要它正常工作，在matplotlibrc配置文件中需要设置text.markup = &tex&。如果你希望图表中所有的文字（包括坐标轴刻度标记）都是LaTeX'd,需要在matplotlibrc中设置text.usetex = True。如果你使用LaTeX撰写论文，那么这一点对于使图表和论文中其余部分保持一致是很有用的。在matplotlib中使用中文字符串时记住要用unicode格式，例如：u''测试中文显示''
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：475079次
积分：3876
积分：3876
排名：第8566名
原创：77篇
转载：78篇
评论：47条
(1)(2)(6)(2)(1)(1)(1)(6)(1)(13)(9)(1)(2)(1)(8)(1)(5)(1)(1)(1)(17)(9)(9)(1)(10)(21)(24)
(window.slotbydup = window.slotbydup || []).push({
id: '4740881',
container: s,
size: '200,200',
display: 'inlay-fix'查看: 30008|回复: 19|关注: 0
如何在同一副图中画出多条曲线
<h1 style="color:# 麦片财富积分
新手, 积分 6, 距离下一级还需 44 积分
& & & & & & & & & & & & & & & & 如图我只会画出一条曲线，可是如何在同一张图上画图中不同r的曲线呢
MATLAB 基础讨论版块优秀回答者
<h1 style="color:#1 麦片财富积分
x = linspace(-2*pi,2*pi);
y1 = sin(x);
y2 = cos(x);
figure
plot(x,y1,x,y2)复制代码
<h1 style="color:# 麦片财富积分
clc
clear all
r=0.1;
for i=1:4
& & x=0:0.1:3;
& & y=x.^(-r);
& & plot(x,y,'r')
& & hold on
& & grid on
& & r=r+0.1
& & i=i+1;
end复制代码
<h1 style="color:# 麦片财富积分
我明白了，就是用y1,y2表示就行了是吧
<h1 style="color:# 麦片财富积分
<h1 style="color:# 麦片财富积分
还有一个问题啊，我怎么做出像上面那个图上的标记依次写上r=0.1，r=0.2等等呢
<h1 style="color:# 麦片财富积分
还有一个问题啊，我怎么做出像上面那个图上的标记依次写上r=0.1，r=0.2等等呢 ...clc
clear all
r=0.1;
for i=1:4
& & x=0.1:0.1:3;
& & y=x.^(-r)
& & Y(i,:)=y& && &%把y值存入矩阵Y第i行
& & r=r+0.1
end
& & plot(x,Y(1,:),'r',x,Y(2,:),'k',x,Y(3,:),'b',x,Y(4,:),'g')& &
& & text(0.1,1.2,'曲线r=0.1');
& & text(0.1,1.4,'曲线r=0.2');
& & text(0.1,1.7,'曲线r=0.3');
& & text(0.1,2.2,'曲线r=0.4');
& & hold on
& & grid on复制代码
<h1 style="color:# 麦片财富积分
三克油:hug:
论坛优秀回答者
<h1 style="color:#1 麦片财富积分
关注者： 25
重点是hold on的使用
<h1 style="color:# 麦片财富积分
重点是hold on的使用
hold on 是有何作用啊，求教，一般用于什么场合
站长推荐 /2
MATLAB中文论坛是全球最大的 MATLAB & Simulink 中文社区。用户免费注册会员后，即可下载代码，讨论问题，请教资深用户及结识书籍作者。立即注册加入我们吧！
MATLAB官方社交平台
MATLAB中文论坛微社区Matplotlib 如何画散点图的图例？ - 知乎38被浏览15450分享邀请回答#!/usr/bin/python2.7
# _*_ coding: utf-8 _*_
from matplotlib import pyplot as plt
from matplotlib import font_manager
import file2matrix
matrix, labels = file2matrix.file2matrix('datingTestSet.txt')
print matrix
print labels
zhfont = matplotlib.font_manager.FontProperties(fname='/usr/share/fonts/truetype/arphic/ukai.ttc')
""" 比较好看的绘制方法 """
plt.figure(figsize=(8, 5), dpi=80)
axes = plt.subplot(111)
# 将三类数据分别取出来
# x轴代表飞行的里程数
# y轴代表玩视频游戏的百分比
type1_x = []
type1_y = []
type2_x = []
type2_y = []
type3_x = []
type3_y = []
print 'range(len(labels)):'
print range(len(labels))
for i in range(len(labels)):
if labels[i] == 1:
type1_x.append(matrix[i][0])
type1_y.append(matrix[i][1])
if labels[i] == 2:
# 魅力一般
type2_x.append(matrix[i][0])
type2_y.append(matrix[i][1])
if labels[i] == 3:
# 极具魅力
print i, '：', labels[i], ':', type(labels[i])
type3_x.append(matrix[i][0])
type3_y.append(matrix[i][1])
type1 = axes.scatter(type1_x, type1_y, s=20, c='red')
type2 = axes.scatter(type2_x, type2_y, s=40, c='green')
type3 = axes.scatter(type3_x, type3_y, s=50, c='blue')
# plt.scatter(matrix[:, 0], matrix[:, 1], s=20 * numpy.array(labels),
c=50 * numpy.array(labels), marker='o',
label='test')
plt.xlabel(u'每年获取的飞行里程数', fontproperties=zhfont)
plt.ylabel(u'玩视频游戏所消耗的事件百分比', fontproperties=zhfont)
axes.legend((type1, type2, type3), (u'不喜欢', u'魅力一般', u'极具魅力'), loc=2, prop=zhfont)
plt.show()
5410 条评论分享收藏感谢收起matplotlib.org/users/screenshots.html33 条评论分享收藏感谢收起在数据处理和绘图中，我们通常会遇到直线或曲线的拟合问题，python中scipy模块的子模块optimize中提供了一个专门用于曲线拟合的函数curve_fit()。
下面通过示例来说明一下如何使用curve_fit()进行直线和曲线的拟合与绘制。
代码如下：
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize
#直线方程函数
def f_1(x, A, B):
return A*x + B
#二次曲线方程
def f_2(x, A, B, C):
return A*x*x + B*x + C
#三次曲线方程
def f_3(x, A, B, C, D):
return A*x*x*x + B*x*x + C*x + D
def plot_test():
plt.figure()
x0 = [1, 2, 3, 4, 5]
y0 = [1, 3, 8, 18, 36]
plt.scatter(x0[:], y0[:], 25, &red&)
#直线拟合与绘制
A1, B1 = optimize.curve_fit(f_1, x0, y0)[0]
x1 = np.arange(0, 6, 0.01)
y1 = A1*x1 + B1
plt.plot(x1, y1, &blue&)
#二次曲线拟合与绘制
A2, B2, C2 = optimize.curve_fit(f_2, x0, y0)[0]
x2 = np.arange(0, 6, 0.01)
y2 = A2*x2*x2 + B2*x2 + C2
plt.plot(x2, y2, &green&)
#三次曲线拟合与绘制
A3, B3, C3, D3= optimize.curve_fit(f_3, x0, y0)[0]
x3 = np.arange(0, 6, 0.01)
y3 = A3*x3*x3*x3 + B3*x3*x3 + C3*x3 + D3
plt.plot(x3, y3, &purple&)
plt.title(&test&)
plt.xlabel('x')
plt.ylabel('y')
plt.show()
拟合和绘制解果如下：
当然，curve_fit()函数不仅可以用于直线、二次曲线、三次曲线的拟合和绘制，仿照代码中的形式，可以适用于任意形式的曲线的拟合和绘制，只要定义好合适的曲线方程即可。
如高斯曲线拟合，曲线函数形式如下：
def f_gauss(x, A, B, C, sigma):
return A*np.exp(-(x-B)**2/(2*sigma**2)) + C
<span style="font-size:18 color:#ff.04.21
本文已收录于以下专栏：
相关文章推荐
python指数、幂数拟合curve_fit
1、一次二次多项式拟合
一次二次比较简单，直接使用numpy中的函数即可，polyfit(x, y, degree)。
2、指数幂数...
今天主要讲述的内容是关于一元线性回归的知识，Python实现，包括以下内容：
1.机器学习常用数据集介绍
2.什么是线性回顾
3.LinearRegre...
本文不手动实现最小二乘，调用scipy库中实现好的相关优化函数。考虑如下的含有4个参数的函数式：f(x)=A-D1+(x/C)B+Df(x)=\frac{A-D}{1+(x/C)^B}+D构造数据im...
结合scipy与matplotlib来绘制曲线拟合图
在做科研论文的时候，常常需要在图中描绘某些实际数据观察的同时，使用一个曲线来拟合这些实际数据。在这里，我基于复杂网络中常用的power-law分...
机器学习中的预测问题通常分为2类：回归与分类。简单的说回归就是预测数值。
1、百科：ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法...
TP（True Positive）：指正确分类的正样本数，即预测为正样本，实际也是正样本。
FP（False Positive）：指被错误的标记为正样本的负样本数，即实际为负样本而被预...
前面几篇文章采用的案例的方法进行介绍的，这篇文章主要介绍Python常用的扩展包，同时结合数据挖掘相关知识介绍该包具体的用法，主要介绍Numpy、Pandas和Matplotlib三个包。目录：
回归是统计学中最有力的工具之一。机器学习监督学习算法分为分类算法和回归算法两种，其实就是根据类别标签分布类型为离散型、连续性而定义的。顾名思义，分类算法用于离散型分布预测，如前面讲过的KNN、决策树、...
他的最新文章
讲师：王哲涵
讲师：王渊命
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)}