一.networkx

1.用于图论和复杂网络

2.官网：http://networkx.github.io/

3.networkx常常结合numpy等数据处理相关的库一起使用，通过matplot来可视化图

二.绘制图

1.创建图

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.Graph()#创建空图，无向图

 # G1=nx.DiGraph(e)#创建空图，有向图

 # G = nx.Graph(name='my graph')#指定图的属性（name） 的值（my graph）

 G.add_edges_from(([1,2],[2,3],[3,1]))

 e = [(1, 2), (2, 3), (3, 4)]  # 边的列表

 G2 = nx.Graph(e)#根据e来创建图

 F=G.to_directed()#把无向图转换为有向图

 #创建多图，类MultiGraph和类MultiDiGraph允许添加相同的边两次，这两条边可能附带不同的权值

 # H=nx.MultiGraph(e)

 H=nx.MultiDiGraph(e)

 plt.subplot(2,2,1)

 nx.draw(G,with_labels=True)

 plt.subplot(2,2,2)

 nx.draw(G2,with_labels=True)

 plt.subplot(2,2,3)

 nx.draw(F,with_labels=True)

 plt.subplot(2,2,4)

 nx.draw(H,with_labels=True)

 plt.show()

创建图

2.无向图

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.Graph()#创建空图

 #添加节点

 G.add_node('a')

 G.add_node(1)                  #添加单个节点

 G.add_nodes_from([2,3,4])      #添加一些节点，容器，（可以是list, dict, set，）

 #添加边，如果点不在图中，会自动创建点

 G.add_edge(1,'a',weight=1.2)   #添加单条边，连接1，‘a’的边,可以赋予边属性以及他的值

 G.add_edges_from([(2,3),(3,4)])#添加一些边（列表）

 G.add_weighted_edges_from([(1,'a',0.1),(4,2,0.5)])#给边赋予权重

 #移除边

 G.remove_edge(2,4)             #移除一条边

 G.remove_edges_from([(3,4),])  #移除一些边

 #移除节点,同时移除他对应的边

 G.remove_node(1)               #移除单个节点

 G.remove_nodes_from([4,])      #移除一些节点

 #绘图

 nx.draw(G,                          # 图

         pos=nx.circular_layout(G),  # 图的布局

         alpha=0.5,                  # 图的透明度（默认1.0不透明，0完全透明）

         with_labels=True,           # 节点是否带标签

         font_size=18,               # 节点标签字体大小

         node_size=400,              # 指定节点的尺寸大小

         node_color='blue',          # 指定节点的颜色

         node_shape='o',             # 节点的形状

         edge_color='r',             # 边的颜色

         width=0.8,                  # 边的宽度

         style='solid',              # 边的样式

         ax=None,                    # Matplotlib Axes对象，可选在指定的Matplotlib轴中绘制图形。

         )

 plt.show()

无向图

绘图布局

3.有向图和无向图的最大差别在于：有向图中的边是有顺序的，前一个表示开始节点，后一个表示结束节点。

三.图

数据结构

1.图的属性

 #像color,label,weight或者其他Python对象的属性都可以被设置为graph，node，edge的属性

 # 每个graph，node，edge都能够包含key/value这样的字典数据

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.DiGraph([(1,2),(2,3),(3,4),(1,4),(4,2)],name='my digraph',a='b')

 #创建一个有向图，赋予边，点，权重，以及有向图的属性name的值my digraph

 #属性都可以在定义时赋予,或者通过直接赋值来添加修改

 #图属性

 print(G)#图的名称

 print(G.graph)#图的属性，字典

 G.graph['b']=19#赋予属性

 print(G.graph)

 print('#'*60)

 #节点属性

 print('图的节点：',G.nodes)#列表

 print('节点个数：',G.number_of_nodes())

 G.add_node('b',time='0.2')

 print(G.node['b'])#显示单个节点的信息

 G.node['b']['time']=0.3#修改属性

 print(G.node['b'])

 print('#'*60)

 #边属性

 print('图的边：',G.edges)#列表

 print ('边的个数：',G.number_of_edges())

 G.add_edge('a','b',weight=0.6)

 G.add_edges_from( [ (2,3),(3,4) ], color="red")

 G.add_edges_from( [(1,2,{"color":"blue"}),(4,5,{"weight":8})])

 G[1][2]["width"]=4.7#添加或修改属性

 print(G.get_edge_data(1, 2))#获取某条边的属性

 print('#'*60)

 nx.draw(G,pos = nx.circular_layout(G),with_labels=True)

 plt.show

 --------------------------------------------------------------------------

 my digraph

 {'name': 'my digraph', 'a': 'b'}

 {'name': 'my digraph', 'a': 'b', 'b': 19}

 ############################################################

 图的节点： [1, 2, 3, 4]

 节点个数： 4

 {'time': '0.2'}

 {'time': 0.3}

 {2: {}, 4: {}}

 ############################################################

 图的边： [(1, 2), (1, 4), (2, 3), (3, 4), (4, 2)]

 边的个数： 5

 {'color': 'blue', 'width': 4.7}

属性

2.边和节点

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.DiGraph([(1,2,{'weight':10}),(2,3),(3,4),(1,4),(4,2)])

 nx.add_path(G, [0, 4,3])#在图中添加路径

 # 对1节点进行分析

 print(G.node[1])#节点1的信息

 G.node[1]['time']=1#赋予节点属性

 print(G.node[1])

 print(G[1])  # 1相关的节点的信息,他的邻居和对应的边的属性

 print(G.degree(1))  # 1节点的度

 print('#'*60)

 # 对【1】【2】边进行分析

 print(G[1][2])  # 查看某条边的属性

 G[1][2]['weight'] = 0.4  # 重新设置边的权重

 print(G[1][2]['weight'])  # 查看边的权重

 G[1][2]['color'] = 'blue'  # 添加属性

 print(G[1][2])

 nx.draw(G,pos = nx.circular_layout(G),with_labels=True)

 plt.show()

 ------------------------------------------------------------------

 {}

 {'time': 1}

 {2: {'weight': 10}, 4: {}}

 2

 ############################################################

 {'weight': 10}

 0.4

 {'weight': 0.4, 'color': 'blue'}

边和节点

3.有向图

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.DiGraph([(1,2,{'weight':10}),(2,3),(3,4),(1,4),(4,2)])

 print('#'*60)

 print(G.edges)#An OutEdgeView of the DiGraph as G.edges or G.edges().

 print(G.out_edges)#An OutEdgeView of the DiGraph as G.edges or G.edges().

 print(G.in_edges)#An InEdgeView of the Graph as G.in_edges or G.in_edges()

 print('#'*60)

 print(G.degree)#图的度

 print(G.out_degree)#图的出度

 print(G.in_degree)#图的入度

 print('#'*60)

 print(G.adj)#Graph adjacency object holding the neighbors of each node

 print(G.neighbors(2))#节点2的邻居

 print(G.succ)#Graph adjacency object holding the successors of each node

 print(G.successors(2))#节点2的后继节点

 print(G.pred)#Graph adjacency object holding the predecessors of each node

 print(G.predecessors(2))#节点2的前继节点

 #以列表形式打印

 print([n for n in G.neighbors(2)])

 print([n for n in G.successors(2)])

 print([n for n in G.predecessors(2)])

 nx.draw(G,pos = nx.circular_layout(G),with_labels=True)

 plt.show()

 --------------------------------------------------------

 ############################################################

 [(1, 2), (1, 4), (2, 3), (3, 4), (4, 2)]

 [(1, 2), (1, 4), (2, 3), (3, 4), (4, 2)]

 [(1, 2), (4, 2), (2, 3), (3, 4), (1, 4)]

 ############################################################

 [(1, 2), (2, 3), (3, 2), (4, 3)]

 [(1, 2), (2, 1), (3, 1), (4, 1)]

 [(1, 0), (2, 2), (3, 1), (4, 2)]

 ############################################################

 {1: {2: {'weight': 10}, 4: {}}, 2: {3: {}}, 3: {4: {}}, 4: {2: {}}}

 <dict_keyiterator object at 0x0DA2BF00>

 {1: {2: {'weight': 10}, 4: {}}, 2: {3: {}}, 3: {4: {}}, 4: {2: {}}}

 <dict_keyiterator object at 0x0DA2BF00>

 {1: {}, 2: {1: {'weight': 10}, 4: {}}, 3: {2: {}}, 4: {3: {}, 1: {}}}

 <dict_keyiterator object at 0x0DA2BF00>

 [3]

 [3]

 [1, 4]

有向图

4.图的操作

Applying classic graph operations

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.DiGraph([(1,2,{'weight':10}),(2,1,{'weight':1}),(2,3),(3,4),(1,4),(4,2)])

 G2=nx.DiGraph([(1,'a'),('a','b'),(1,4)])

 H=G.subgraph([1,2,4])#产生关于节点的子图

 G3=nx.compose(H,G2)#结合两个图并表示两者共同的节点

 plt.subplot(221)

 nx.draw(G,pos = nx.circular_layout(G),with_labels=True,name='G')

 plt.subplot(222)

 nx.draw(H,pos = nx.circular_layout(G),with_labels=True)

 plt.subplot(223)

 nx.draw(G2,with_labels=True)

 plt.subplot(224)

 nx.draw(G3,with_labels=True)

 plt.show()

生成图

4.算法

...

四.简单根据数据画图

 import networkx as nx

 import matplotlib.pyplot as plt

 #1.导入数据：

 # networkx支持的直接处理的数据文件格式adjlist/edgelist/gexf/gml/pickle/graphml/json/lead/yaml/graph6/sparse6/pajek/shp/

 #根据实际情况，把文件变为gml文件

 G1 = nx.DiGraph()

 with open('file.txt') as f:

     for line in f:

         cell = line.strip().split(',')

         G1.add_weighted_edges_from([(cell[0],cell[1],cell[2])])

     nx.write_gml(G1,'file.gml')#写网络G进GML文件

 G=nx.read_gml("file.gml") #读取gml文件

 # parse_gml(lines[,relael]) 从字符串中解析GML图

 # generate_gml(G)  以gml格式生成一个简单条目的网络G

 print(G.nodes)

 print(G.edges)

 #2.在figure上先设置坐标

 plt.title("图G")

 plt.ylabel("y")

 plt.xlabel("x")

 plt.xlim(-1,1)

 plt.ylim(-1,1)

 #再在坐标轴里面调节图形大小

 #整个figure按照X与Y轴横竖来平均切分，以0到1之间的数值来表示

 #axes([x,y,xs,ys])，如果不设置

 #其中x代表在X轴的位置，y代表在Y轴的位置，xs代表在X轴上向右延展的范围大小，yx代表在Y轴中向上延展的范围大小

 plt.axes([0.1, 0.1, 0.8, 0.8])

 #3.在axes中绘图

 nx.draw(G,pos = nx.circular_layout(G),with_labels=True,)

 #4.保存图形

 plt.savefig("file.png")#将图像保存到一个文件

 plt.show()

 -----------------------------------------------------

 ['', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '']

 [('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', ''), ('', '')]

绘图

5.分析图

 import networkx as nx

 import matplotlib.pyplot as plt

 G=nx.read_gml("file.gml")

 UG=G.to_undirected()

 #网络信息

 print(nx.info(G))

 eccen = nx.eccentricity(UG)#节点离心度

 print(eccen)

 print(max(eccen.values()))

 print(min(eccen.values()))

 # print(nx.diameter(G)) # 网络直径

 # print(nx.radius(G)) #网络半径

 print(nx.average_shortest_path_length(G)) # 网络平均最短距离

 print(nx.average_shortest_path_length(UG)) # 网络平均最短距离

 #度分布

 degree=nx.degree_histogram(G)#所有节点的度分布序列

 print(degree)

 x=range(len(degree)) #生成x轴序列

 y=[z/float(sum(degree))for z in degree]#将频次转换为频率

 plt.loglog(x,y,color='blue',linewidth=2)#在双对数坐标轴上绘制分布曲线

 #度中心度

 print(nx.degree_centrality(G))#计算每个点的度中心性

 print(nx.in_degree_centrality(G))#计算每个点的入度中心性

 print(nx.out_degree_centrality(G))#计算每个点的出度中心性

 #紧密中心度

 print(nx.closeness_centrality(G))

 #介数中心度

 print(nx.betweenness_centrality(G))

 #特征向量中心度

 print(nx.eigenvector_centrality(G))

 #网络密度

 print(nx.density(G))

 #网络传递性

 print(nx.transitivity(G))

 #网络群聚系数

 print(nx.average_clustering(UG))

 print(nx.clustering(UG))

 #节点度的匹配性

 print(nx.degree_assortativity_coefficient(UG))

 plt.show()

 ------------------------------------------------------------------

分析图

五.补充

1.更精细地画图，可以绘制特定的边和点，一般默认全画

 import networkx as nx

 import matplotlib.pyplot as plt

 #1.获得带权图

 G = nx.Graph()

 G.add_edges_from([('a', 'b', {'weight':0.6}),

                   ('a', 'c', {'weight':0.2}),

                   ('a', 'd', {'weight':0.1}),

                   ('c', 'e', {'weight':0.7}) ])

 #2.对不同权重进行处理，取得相应权重的点集列表，比如weight>0.5的点集列表为[('a', 'b'), ('c', 'e')]

 elarge = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] > 0.5]

 esmall = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] <= 0.5]

 node1=['a','b']

 node2=['c','d','e']

 node3={ u:v for (u, v, d) in G.edges(data=True) if d['weight'] > 0.5}

 edge={(u,v):d['weight'] for (u, v, d) in G.edges(data=True) if d['weight'] > 0.5}

 #3.必须设定一个统一的布局，保证下面分步绘制的图的统一性，而且分步绘制时pos是一个必须参数

 pos = nx.spring_layout(G)

 #4.分步绘制完整的图

 #(1)绘制点，必须参数（G，pos）,还可以指定点集（列表或optional）（默认全点集），形状，大小，透明度，等

 nx.draw_networkx_nodes(G,pos=pos,nodelist=node1)

 nx.draw_networkx_nodes(G,pos=pos,nodelist=node2,node_shape='*',node_color='r',node_size=700)

 #(2)绘制边，必须参数（G，pos）,还可以指定边集（边的元组集合(列表)）（默认全边集），形状，大小，透明度，等

 nx.draw_networkx_edges(G, pos=pos, edgelist=elarge)

 nx.draw_networkx_edges(G, pos=pos, edgelist=esmall,edge_color='b',style='dashed', width=3)

 #(3)绘制部分节点的标签，必须参数（G，pos），还可以指定点集（字典(值)或optional）（默认全点集），形状，大小，透明度，等

 #给node3字典中的值‘b’和‘e’添加标签

 nx.draw_networkx_labels(G,pos=pos, labels=node3,font_size=18,font_color='b',font_family='sans-serif')

 #(4)绘制边的标签，必须参数（G，pos）,还可以指定边集（字典：键是边的元组，值是边的某个属性值）（默认全边集），形状，大小，透明度，等

 #根据字典，通过键给边添加值的标签，{('a', 'b'): 0.6, ('c', 'e'): 0.7}

 nx.draw_networkx_edge_labels(G,pos=pos,edge_labels=edge,font_size=7,font_color='black',font_family='sans-serif')

 #5.显示

 plt.axis('off')

 plt.show()

精细地作图

python3 networkx的更多相关文章

  1. Python3画图系列——NetworkX初探

    NetworkX 概述 NetworkX 主要用于创造.操作复杂网络,以及学习复杂网络的结构.动力学及其功能.用于分析网络结构,建立网络模型,设计新的网络算法,绘制网络等等.安装networkx看以参 ...

  2. python3.5安装Numpy、mayploylib、opencv等额外库

    安装Python很简单,但是安装额外的扩展库就好麻烦,没有了第三方库的Python就是一个鸡肋~~  我们现在安装NumPy库 1. 首先这里假设你已经安装了Python了,不会的去看我的另一篇博文( ...

  3. windows7下搭建python环境并用pip安装networkx

    1.安装顺序:Python+pip+pywin32+numpy+matplotlib+networkx 2.版本问题 所安装的所有程序和包都需要具有统一的python版本.系统版本和位宽,所以第一步要 ...

  4. Python3入门（一）——概述与环境安装

    一.概述 1.python是什么 Python 是一个高层次的结合了解释性.编译性.互动性和面向对象的脚本语言. Python 是一种解释型语言: 这意味着开发过程中没有了编译这个环节.类似于PHP和 ...

  5. Python3.x：第三方库简介

    Python3.x:第三方库简介 环境管理 管理 Python 版本和环境的工具 p – 非常简单的交互式 python 版本管理工具. pyenv – 简单的 Python 版本管理工具. Vex ...

  6. 使用networkx库可视化对称矩阵的网络图形

    首先我的数据是.mat格式,讲讲如何用python读取.mat格式的数据(全套来) 我是python3版本 第一种读取方法: import h5py features_struct = h5py.Fi ...

  7. python3  threading初体验

    python3中thread模块已被废弃,不能在使用thread模块,为了兼容性,python3将thread命名为_thread.python3中我们可以使用threading进行代替. threa ...

  8. Python3中的字符串函数学习总结

    这篇文章主要介绍了Python3中的字符串函数学习总结,本文讲解了格式化类方法.查找 & 替换类方法.拆分 & 组合类方法等内容,需要的朋友可以参考下. Sequence Types ...

  9. Mac-OSX的Python3.5虚拟环境下安装Opencv

    Mac-OSX的Python3.5虚拟环境下安装Opencv 1   关键词 关键词:Mac,OSX,Python3.5,Virtualenv,Opencv 2   概述 本文是一篇 环境搭建 的基础 ...

随机推荐

  1. Redis常见场景解析

    一 前言 Redis是一个key-value存储系统,现在在各种系统中的使用越来越多,大部分情况下是因为其高性能的特性,被当做缓存使用,这里介绍下Redis经常遇到的使用场景. 二 Redis特性 一 ...

  2. Orm 常见查询实例

    一.Moon.Orm框架总述 (您还用hibernate?实体框架?) 1.框架名:Moon 意思是月亮,而非Mono.因为很喜欢明月,所以以此为名.它是一个.NET下的Orm框架. 2.发展历史:历 ...

  3. 【神经网络与深度学习】chainer边运行边定义的方法使构建深度学习网络变的灵活简单

    Chainer是一个专门为高效研究和开发深度学习算法而设计的开源框架. 这篇博文会通过一些例子简要地介绍一下Chainer,同时把它与其他一些框架做比较,比如Caffe.Theano.Torch和Te ...

  4. Python【每日一问】28

    问: [基础题]:求 1+2!+3!+...+20! 的和 [提高题]:两个乒乓球队进行比赛,各出三人.甲队为 a,b,c 三人,乙队为 x,y,z 三人.已抽签决定比赛名单. 有人向队员打听比赛的名 ...

  5. [转帖]统一操作系统 UOS 龙芯版上线

    统一操作系统 UOS 龙芯版上线 看评论很有必要 搞一波 深度的操作系统了https://www.oschina.net/news/112065/chinauos-with-loongson?p=4 ...

  6. Apache Kafka - How to Load Test with JMeter

    In this article, we are going to look at how to load test Apache Kafka, a distributed streaming plat ...

  7. 爬虫基础 之 urllib

    一.urllib 1. 访问 urllib.request.urlopen() 参数: url:需要爬取的URL地址 timeout:设置等待时间,指定时间内未得到相应时抛出异常 # 导入模块 imp ...

  8. 示例：WPF中自定义MessageService应用DialogHost、Snackbar、NotifyIcon显示各种场景提示消息

    原文:示例:WPF中自定义MessageService应用DialogHost.Snackbar.NotifyIcon显示各种场景提示消息 一.目的:不同交互场景需要提示不同的消息,不同的消息需要用不 ...

  9. C#基础语法,快速上収C#

    C#代码基础语法 对新手的帮助很大,可以尝试多看看然后在敲敲 // 单行注释以 // 开始 /* 多行注释是这样的 */ /// <summary> /// XML文档注释 /// < ...

  10. C# vb .NET读取识别条形码线性条码ean-8

    ean-8是比较常见的条形码编码规则类型的一种.如何在C#,vb等.NET平台语言里实现快速准确读取该类型条形码呢?答案是使用SharpBarcode! SharpBarcode是C#快速高效.准确的 ...