首页 / 创业融资 / 正文
python绘图库有哪些?如何快速完成可视化绘图?常见绘图总结代码
支持吴建中啥 发表于:2020-4-24 05:11:39 复制链接 看图 发表新帖
阅读数:12465

下载APP可以快速和圈友联系

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
专栏保举






比来是在进修seaburn,觉他很强大,前面也分享了几篇文章,可是感受常识系统出格散,很难把一切的工具串到一路,所以在写一篇文章,想把常识内容给串起来,这里不会触及到太多的代码,和显现结果,而是总结,想看代码和结果可以去看别的的文章,将会从maplotlib起头到seaborn。

matplotlib总结

折线图:.plot(unrate["DATE"],unrate["Value"])

柱状图:.bar(unrate["DATE"],unrate["Value"])

横着的柱状图:.barh(unrate["DATE"],unrate["Value"])

散点图:.scatter(unrate["DATE"],unrate["Value"])

柱状图:.hist(norm_reviews['RT_user_norm'])

盒图指定一列:.boxplot(norm.reviews['RT_user_norm'])

盒图指定多列:

num_cols=['RT_user_norm',"Metacritic_user_norm","IMDB_norm","Fandango_Ratingvalue"]

plt.boxplot(norm_review[num_cols].values)

上面就是利用matplot绘图的时的api,画完图显现是利用plt.show()来显现

在绘图的时辰,绘图的地区是默许的,也就是绘图的地区巨细都是分歧的,怎样可以设备绘图地区的巨细呢?

可以在绘图之前利用

plt.figure(num = 5, figsize = (60, 4))

其中num是指的是这个绘图地区的编号,figsize赋值应当是一个元组,指定长和宽

假如只要法式中只要一个plt.figure那末这个figure设备的就是默许的地区,假如plt.plot绘图的时辰就会在这个画布中来画,倘使有多个plt.figure(num = 4, figsize = (60, 4)),那末就会开启多个绘图地区,而plot.plot会默许在最初一个plt.figure上面来画

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-1.jpg

子图设备:

上面绘图的时辰只是画了一个图,那末要想画多个图,每个图想要画分歧的种别那末此时可以经过子图来完成相关的工作。

画子图的时辰,首先要指定整体子图有几行几列,然后编号是从左到右,从上到下的停止编号,而且还要指定自己是第几号。

下面将停止简单的代码演示:

我先设备一个绘图的地区,用来绘图

fig=plt.figure()不加参数就是一个默许的绘图地区

然后设备子图有几行几列,显现第几个,这个设备方式有两个

方式一

ax1=fig.add_subplot(2,2,1)

ax2=fig.add_subplot(2,2,2)

ax3=fig.add_subplot(2,2,4)

方式二:

ax1=fig.subplot(221)

ax2=fig.subplot(221)

ax3=fig.subplot(221)

这样ax1,ax2.....就是一个一个的子图,便可以在子图上停止画具体想要画的图了。

这些子图都是在fig这一块画布地区上画的

方式三:

方式三也是画子图的一种方式,可是不会在当前的画布上来画,而是重新斥地一块画布,那末可以利用

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-2.jpg

这个就是不在默许的plt画布上画了,开启新的一块,plt.subplots(2,3)暗示设备一块2行3列的子图地区,那末具体画哪块可以利用ax[0,1]来指定画第一行的第二列等等

以上就是画子图的三种方式,还有一点当需要重新斥地一块地区的时辰,可以利用

fig,ax=plt.subplots()

ax.来绘图

上面简单的总结了以下matplotlib,下面首要总结seaborn的常识点

seaborn

常识预备:

map(ord,"axis_grids")成果是:

[97,120,105,115,95,103,114,105,100,115]

就是axis_grids对应的ascii值

sum(map(ord,"axis_grids"))就是求和,成果是1069

np.random.seed(sum(map(ord,"axis_grids")))实在就是即是

np.random.seed(1069)这个暗示界说一个种子,假如利用不异的seed( )值,则每次天生的随即数都不异,seed()感化只要一次

np.linespace(0,14,100)的意义就是从0到14中取出100个数,返回成果是一个列表

seaborn的利用

seaborn进修框架是这样的:

第一个:seaborn气概的进修

第二个:seaborn的调色板

第三个:散布数据集的可视化:单变量分析绘图和多变量分析绘图

第四个:线性关系可视化

第五个:分类关系的可视化

第一个:

Seaborn将matplotlib参数分红两个自力的组。第一组设定了美学气概,第二组则是分歧的怀抱元素,这样便可以很轻易地增加到代码傍边了。

操纵这些参数的接口是两对函数。为了控制款式,利用axesstyle()和setstyle()函数。为了扩大绘图,利用plotting_context()和set_context()函数。

第一个函数返回一个参数字典,第二个函数则设备matplotlib默许属性

sns.set()这句代码的意义就是重置seaborn的参数,就是之前设备的seaborn气概无效,假如参数为空就暗示利用默许的seaborn气概,这是默许的气概现实上就是darkgrid气概,现实上有五种气概

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-3.jpg

一共有五个款式,那末可以利用sns.set_style("五种气概")来指定是利用哪类气概,指定以后一切的绘图就城市依照这样的气概来画

除了间接指定气概,利用已经存在的这五种气概之外,还可以自界说seaborn的款式,经过传递字典参数的方式

sns.set_style("ticks",{"xtick.major.size":8,"ytick.major.size":8})的方式来设备加倍具体的款式

set_style的第二个参数是rc。用于指定自界说的seaborn的款式,rc字典中的键可以设备为下图中的这么多

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-4.jpg

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-5.jpg


除了以上的五种气概之外,还有sns.despine()这个是控制绘图的边框的,默许删除上方和右侧的方框。

sns.despine(left=True)删除左侧方框

sns.despine(offset=10,trim=True)offset是两坐标轴分开间隔,当边框没有覆盖全部数据轴的范围时,trim参数会限制保存的边框范围

despine(fig=None, ax=None, top=True, right=True, left=False, bottom=False, offset=None, trim=False)

设备一些线和字体的款式,从上到下线条越来越粗

sns.set_context("paper")

sns.set_context("talk")

sns.set_context("poster")

sns.set_context("notebook")默许设备

还可以利用一些称号来挪用set_context来设备参数,然后经过供给的参数值的字典来覆盖参数,写入加倍具体的一些设置

sns.set_context("notebook",font_scale=1.5,rc={"lines.linewidth":2.5})

seaborn的调色板

color_palette()能传入任何Matplotlib所支持的色彩

color_palette()不写参数则默许色彩

set_palette()设备一切图的色彩

最重要的就是间接设备调色板的函数就是color_palette()这个函数供给了很多seaborn内天生色彩的方式,而且它可以用于任何函数内部的palette参数设备

具体利用方式为:

sns.set(rc={"figure.figsize":(6,6)})设备美学参数

current_palette=sns.color_palette()设备一个默许的调色板

sns.palplot(current_palette)设备当前利用这个调色板

上面就是利用一个调色板的简单的形式,调色板有三种:

分类调色板,持续调色板,离散调色

分类调色板

默许的调色板只要6个色彩,假如如果利用8个色彩呢

current_palette=sns.color_palette("his",8)

his是一个色彩空间,暗示在his中均匀取8份,这样的调色板上就有8中色彩了。

画板有了以后除了可以经过sns.palplot来设备当前利用的这个调色板之外还可以在绘图的时辰经过palette来指定

sns.boxplotl(data=data,palette=current_palette)data有8个数据,而current_palette恰好有8个色彩

题外话:np.random.normal(size,loc.scale)是高斯散布

除了可以利用调色板来设备色彩之外还可以经过控制色彩的高度大概饱和度来控制色彩,函数是hls.palette()函数。

举例利用是:

sns.set(rc={"figure.figsize":(6,6)})

sns.palpllot(sns.hls_palette(8,l=.7,s=.9))

l暗示亮度,s暗示饱和度

由于人类视觉系统的工作方式,会致使在RGB怀抱上强度分歧的色彩在视觉中并不服衡。比如,我们黄色和绿色是相对较亮的色彩,而蓝色则相对较暗,使得这能够会成为与hls系同分歧的一个题目。

为领会决这一题目,seaborn为husl系统供给了一个接口,这也使得挑选均匀间隔的色彩变得加倍轻易,同时连结亮度和饱和度加倍分歧。

sns.palplot(sns.color_palette("husl", 8))

Color Brewer工具,它供给了一些关于调色板是色盲平安的指导。有各类百般的合适色盲的色彩,可是最多见的变异致使很难区分红色和绿色。一般来说,避免利用红色和绿色来暗示色彩以区分元素是一个不错的主张。

sns.palplot(sns.color_palette("Paired"))

sns.palplot(sns.color_palette("Set2", 10))

持续色板

sns.palplot(sns.color_palette("BLUE"))蓝色持续,后加-r是反转,后加-d是暗处置

cubehelix调色板系统具有线性增加或下降亮度和色彩变化顺序的调色板,Matplotlib具有一个默许的内置cubehelix版本可供建立:

sns.palplot(sns.color_palette("cubehelix", 8))

经过seaborn的cubehelix_palette()函数返回的调色板与matplotlib默许值稍有所分歧,它不会在色轮四周扭转或覆盖更广的强度范围。seaborn还改变了排序使得更重要的值显得更暗:

sns.palplot(sns.cubehelix_palette(8))

其他cubehelix_palette()的参数首要调剂色板的视觉。两个重要的挑选是:start(值的范围为03)和rot,还有rot的次数(-11之间的肆意值)

sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75))

利用light_palette() 和dark_palette()挪用定制持续调色板

sns.palplot(sns.light_palette("green"))

sns.palplot(sns.dark_palette("purple"))

离散色板

挑选离散色板的法则类似于顺序色板,除了你想满足一个夸大的色彩中点以及用分歧肇端色彩的两个相对奥妙的变化。一样重要的是,肇端值的亮度和饱和度是不异的。

Color Brewer色彩字典里具有一套经心挑选的离散色彩映照:

sns.palplot(sns.color_palette("BrBG", 7))

sns.palplot(sns.color_palette("RdBu_r", 7))

另一个在matplotlib中建立coolwarm面板。请留意,这个色彩映照在中心值和极端之间并没有太大的对照。

sns.palplot(sns.color_palette("coolwarm", 7))

第三个:散布数据集的可视化:单变量分析绘图和多变量分析绘图

单变量

检察单变量最方便的无疑是displot()函数,默许绘制一个直方图,并你核密度估量(KDE)

sns.set(color_codes=True)

np.random.seed(sum(ord,"distributions"))

x=np.random.gamma(6,size=200)z这个是伽马函数,暗示天生200个,以列表形式返回

sns.displot(x,kde=False,fit=stats.gamma)

Scipy的stats模块包括了多种几率散布的随机变量,gamma是持续散布的相关函数

双变量

双变量利用散点图,描写特征和特征之间的关系

mean,cov=[0,1],[(1,5),(5,1)]均值和协方差

data=np.random.multivariate_normal(mean,cov,200)

df=pd.DataFrame(data,colums=["x","y"])

sns.jointplot(x="x",y="y",data=df)

这样df中第一个维度是x,第二个维度是y

jointplot函数建立一个多面板数字,显现两个变量之间的双变量关系,及每个变量的单变量散布

上面的joinplot函数中还可以增加以下参数,kind="hex"这样的图叫做hex图,这回将数据多的地方加深,适用于数据较大的数据集,kind=“kde”是暗示利用等高线显现核密度

上面是双变量,这样可以两个连系在一路,假如是多变量呢?

假如是四个变量,实在也可以两个连系在一路,可以利用pairplot函数

sns.set(color_codes=True)

iris=sns.load_dataset("iris")数据集的四个特征

sns.pairplot(iris)pairplot会将四个特征停止两两连系

第四个:线性关系可视化,回归绘图分析

sns.set(color_code=True)

np.random.seed(sum(map(ord,"regression")))

tips=sns.load_dataset("tips")

sns.regplot(x="total_bill",y="tip",data=tips)

plt.show()

这个法式会画出total_bill和tip之间的线性回归模子,就是最合适他们之间关系的那一条线

很大都据集包括多个定量和变量分析的目标是将这些变量相互关联起来,利用全部统计模子来估量两个噪声组之间的简单关系是很有帮助的,reglot()和lmplot()

两者的区分:

在regplot()函数中经过只传入x和y绘出:sns.regplot(x=tips["total_bill"], y=tips["tip"]);而响应的sns.lmplot(x=tips["total_bill"], y=tips["tip"])这类写法就会报错,由于数据集data是lmplot()的必传参数。

另一个首要区分是regplot()以各类格式接管x和y变量,包括numpy数组、Pandas的Series列或DataFrame工具的变量援用;纷歧样的是,lmplot()将数据集作为一个必须的参数,而x和y变量必须指定为字符串。这类数据格式称为“长格式”或“整洁”数据。

这里实在还有很多的内容,可是这里就不具体展开了

第五个:分类关系的可视化

散点图和回归模子合适持续的数据,可是当数据是离散的时辰就没成心义了,这个时辰不要利用回归模子来,那末处置分类数据的题目,很是适用的方式是将Seaborn的分类图分为三类

第一个包括函数swarmplot()和stripplot()

第二个包括函数boxplot()和violinplot()

第三个包括函数barplot()和pointplt()

显现分类变量级别中某些定量变量的值的一种简双方式利用stripplot(),它会将分离图概括为其中一个变量是分类的:

sns.stripplot(x="day", y="total_bill", data=tips);

结果为:

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-6.jpg

由于day是离散的所以可以看出一切的数据都在这一条线上,这样很大都据都堆叠了,这样的数据是意义不大的额,为领会决这个题目,可以有以下几种方式:

方式一:发抖

sns.stripplot(x="day", y="total_bill", data=tips, jitter=True);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-7.jpg

方式二swarmplot

sns.swarmplot(x="day", y="total_bill", data=tips);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-8.jpg


上面的分类散点图固然简单适用,但在某些特定的的情况下,他们可以供给的值的散布信息会变得及其有限。 有几种方式可以方便的处理这个题目,在种别之间停止简单比力并汇总信息,我们快速会商并比力一些合适这类数据观察的函数。

画盒图

sns.boxplot(x="day", y="total_bill", hue="time", data=tips);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-9.jpg

提琴图violinplot(),它连系了箱体图和焦点密度估量进程:

sns.violinplot(x="total_bill", y="day", hue="time", data=tips);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-10.jpg

这类方式利用核密度估量来更好地描写值的散布,当色彩参数只要两个级别时,也可以传入参数split至violinplot(),这样可以更有用地操纵空间:

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-11.jpg

你会发现盒图和小提琴的上风就是每个种别中数据集合的地方会变胖,假如,不是显现每个种别中的散布,你能够希望显现值的集合趋向,可以用下面的图

条形图

在Seaborn中barplot()函数在完整数据集上运转,并显现肆意估量,默许情况下利用均值

sns.barplot(x="sex", y="survived", hue="class", data=titanic);

结果为:

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-12.jpg

条形图的特别情况是当想要显现每个种别中的观察次数,而不是计较第二个变量的统计量。这类似于分类而不是定量变量的直方图。在Seaborn中,利用countplot()函数很轻易绘制,函数将默许利用count参数作为x/y中未传的一组维度

sns.countplot(x="deck", data=titanic, palette="Greens_d");

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-13.jpg

点图

pointplot()函数供给了可视化不异信息的另一种气概。该函数还对另一轴的高度估量值停止编码,而不是显现一个完整的柱型,它只绘制点估量和置信区间。别的,点图毗连不异hue种此外点。这使得很轻易看出首要关系若何随着第二个变量的变化而变化,斜率的差别会很明显:

sns.pointplot(x="sex", y="survived", hue="class", data=titanic);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-14.jpg


至此我们就将第五个:分类关系的可视化的首要几个绘图方式总结完了,总的来说利用不难,就是在什么情况下利用哪个才是关键,在Seaborn中绘制分类图可以利用上面的几种方式,还有一种方式比力强大,那就是更高级此外函数factorplot(),将这些函数与FacetGrid()相连系,经过这个图形的更大的结构来增加展现其他种此外才能。

seaborn.factorplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='point', size=4, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

x,y,hue 数据集变量 变量名

date 数据集 数据集名

row,col 更多分类变量停止平铺显现 变量名

col_wrap 每行的最高平铺数 整数

estimator 在每个分类中停止矢量到标量的映照 矢量

ci 置信区间 浮点数或

Nonen_boot 计较置信区间时利用的指导迭代次数 整数

units 采样单元的标识符,用于履行多级指导和反复丈量设想 数据变量或向量数据

order, hue_order 对应排序列表 字符串列表

row_order, col_order 对应排序列表 字符串列表

kind : 可选:point 默许, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点,swarm 分离点(具体图形参考文章前部的分类先容)

size 每个面的高度(英寸) 标量

aspect 纵横比 标量

orient 偏向 "v"/"h"

color 色彩

matplotlib色彩

palette 调色板

seaborn色彩色板或字典

legend hue的信息面板

True/Falselegend_out 能否扩大图形,并将信息框绘制在中心右侧

True/Falseshare{x,y} 同享轴线

True/Falsefacet_kws FacetGrid的其他参数 字典

默许情况下,factorplot()发生一个pairplot():

pairplot是一个折现图,可是类似点图

sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-15.jpg

我们可以利用kind参数来指定要画什么图:

kind=“bar”

kind=“swarm”

kind=“box”

除了可以指定要来画什么图之外还有一个强大的功用就是对数据展开更多其他分类变量:,比如参数col="time"

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-16.jpg

基于FacetGrid的工作道理,要变动图形的巨细和外形,需要指定适用于每个方面的size和aspect参数:

sns.factorplot(x="time", y="total_bill", hue="smoker",col="day", data=tips, kind="box", size=4, aspect=.5);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-17.jpg


用FacetGrid子集数据

当您想要在数据集的子集内可视化变量的散布或多个变量之间的关系时,FacetGrid类很有用。 FacetGrid可以绘制最多三个维度:row,col和hue。前两者与所得轴数有明显的对应关系;将hue变量视为沿着深度轴的第三维,其平分歧的级别用分歧的色彩绘制。

经过利用数据框初始化FacetGrid工具和将构成网格的行,列或色彩维度的变量的称号来利用该类。 这些变量应当是分类的或离散的,然后变量的每个级此外数据将用于沿该轴的小平面。

tips = sns.load_dataset("tips")加载这个tips的数据

g = sns.FacetGrid(tips, col="time")对数据展现time

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-18.jpg

到今朝为止的结果是这样的 ,还没有绘制任何工具

可视化数据的首要方式是利用FacetGrid.map()方式,供给一个绘图功用和数据框中变量的称号来绘制

g.map(plt.hist, "tip");这个就暗示在上面的两个图中绘制tip,然后图为直方图,结果为:

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-19.jpg

至此就画完了,可是这个只是在time根本上绘制tip,tip并没有和别的的变量发生关系,所以直方图是最好的,可是多个变量的时辰,应当是散点图才是最好的额,

g = sns.FacetGrid(tips, col="sex", hue="smoker")

g.map(plt.scatter, "total_bill", "tip", alpha=.7)

g.add_legend();

这个法式中col和hue都指定了,焦点的散点图的关系还是tip和total_bill之间的额关系

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-20.jpg

结果就是上面的样子,有几个选项可以控制可以传递给类机关函数的网格的表面。

g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True)

g.map(sns.regplot, "size", "total_bill", color=".3", fit_reg=False, x_jitter=.1);

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-21.jpg

用PairGrid绘制成对的关系

该类的根基用法与FacetGrid很是类似。首先初始化网格,然后将绘图函数传递给map方式,并在每个子图上挪用它。

iris = sns.load_dataset("iris")

g = sns.PairGrid(iris)

g.map(plt.scatter);

g = sns.PairGrid(iris)是iris中的变量两两连系

g.map(plt.scatter);然后画出散点图

python绘图库有哪些?若何快速完成可视化绘图?常见绘图总结代码-22.jpg

至此就总结完了,固然这里只是简单的总结,目标就是梳理出一个框架来,具体的内容可以看我的具体的文章。


上一篇:震动全国的投资惨案
下一篇:海信视像—投资者提问:“董秘您好,公司在影象方面的成就有目共睹,叨教能否斟酌横向或纵向成长,比如白电,电子家具之类,假如多元化成长首要合作对手有哪些品牌?斟酌本身才能公司对外来的展望若何?”
温馨提示:
下载好向圈客户端可以随时随地交流学习经验,也可以和圈友发起聊天成为好友
好向圈www.kuaixunai.com是一个专业经验分享交流平台,请提供优质的经验内容分享,拒绝任何广告内容出现,低质量广告内容硬广包含手机号码,微信,QQ或者二维码,网址等形式存在可能会审核不通过甚至封号 圈友联系仅限于好向圈APP进行及时沟通咨询 要想被各大搜索引擎尽快收录请做好内容原创工作,才会有更好的推广效果。
返回列表
使用道具 举报
#python, #图库, #哪些, #如何, #快速
12 条评论
您需要登录后才可以回帖 登录 | 立即注册
三杯醉腿 发表于 2020-4-24 05:17:02 | 阅读全部
python绘图
使用道具 举报
回复
一见倾心2017 发表于 2020-4-24 05:21:26 | 阅读全部
内容太多
使用道具 举报
回复
佳耐数控 发表于 2020-4-24 05:26:17 | 阅读全部
转发了
使用道具 举报
回复
林党口 发表于 2020-4-24 05:28:53 | 阅读全部
转发了
使用道具 举报
回复
领域957 发表于 2020-4-24 05:31:55 | 阅读全部
转发了
使用道具 举报
回复
慵懒阿夏四 发表于 2020-4-24 05:34:06 | 阅读全部
转发了
使用道具 举报
回复
人不欺碳 发表于 2020-4-24 05:35:10 | 阅读全部
转发了
使用道具 举报
回复
五河的天空敝 发表于 2020-4-24 05:38:58 | 阅读全部
转发了
使用道具 举报
回复
其实你不配实u 发表于 2020-4-24 05:44:09 | 阅读全部
转发了
使用道具 举报
回复
温暖人间123EAC 发表于 2020-4-24 05:45:47 | 阅读全部
转发了
使用道具 举报
回复
万灵1 发表于 2020-4-24 05:52:17 | 阅读全部
转发了
使用道具 举报
回复
zkeup4826137 发表于 2020-4-24 05:54:15 | 阅读全部
转发了
使用道具 举报
回复
百度地图侵权投诉可通过好向圈APP举报投诉----社区技术支持:泰帮动力 江苏好向圈信息科技有限公司 网站地图1 网站地图2