Matplotlib基础-3D图形

matplotlib1.0版本之前其实是不支持3D图形绘制的。

后来的版本中,matplotlib加入了3D图形 的支持,不仅仅是为了使数据的展示更加生动和有趣。

更重要的是,由于多了一个维度,扩展了其展示数据分布和关系的能力,可以一次从三个维度来比较数据。

下面介绍在matplotlib中绘制各类3D图形的方法。

1. 点和线

点和线类的图形转成3D比较简单,只要加个维度即可。

比如:

python 复制代码
import numpy as np

import matplotlib
import matplotlib.pyplot as plt

n = 10
xs = np.linspace(0, 100, n)
ys = np.linspace(100, 200, n)

fig, ax = plt.subplots()
ax.scatter(xs, ys, color="r")
ax.plot(xs, ys)

plt.show()

增加一个维度,改成3D图形:

python 复制代码
n = 10
xs = np.linspace(0, 100, n)
ys = np.linspace(100, 200, n)
zs = xs + ys  #增加一个维度,值为x+y的和

fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.scatter(xs, ys, zs, color='r')
ax.plot(xs, ys, zs)

plt.show()


注意 ,获取子图的时候,subplot_kw={"projection": "3d"} 这个参数很重要,它会把坐标系映射成3维的。

2. 面

绘制面或者曲面的时候稍微复杂一些,不像点和面只要简单的增加一个维度就可以了。

比如,对于曲面函数: <math xmlns="http://www.w3.org/1998/Math/MathML"> z = x ∗ y 3 − y ∗ x 3 z = x*y^3 - y*x^3 </math>z=x∗y3−y∗x3

绘制时,不能像如下这样:

python 复制代码
xs = np.arange(-10, 10, 0.5)
ys = np.arange(-10, 10, 0.5)
zs = xs * (ys**3) - ys * (xs**3)

这样得到的xs, ys, zs 只是3维 中的一个个点的(x, y, z)坐标,无法绘制曲面。

只能像上一节那样绘制3维 中的 或者线

若要绘制曲面,需要用到numpy提供的meshgrid函数先生成网格。

python 复制代码
xs = np.arange(-10, 10, 0.5)
ys = np.arange(-10, 10, 0.5)
xs, ys = np.meshgrid(xs, ys)  #生成网格坐标

zs = xs * (ys**3) - ys * (xs**3)  #计算网格中每个点的Z轴坐标

这样,把坐标传入plot_surface函数,就可以绘制最后的3D曲面了。

python 复制代码
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
ax.plot_surface(xs, ys, zs)

plt.show()

只显示网格的话,可以用 plot_wireframe 函数。

python 复制代码
ax.plot_wireframe(xs, ys, zs)

从这个示例可以看出,3D曲面 其实是一个个网格拼接而成的,

并没有想象中的平滑,它的平滑程度取决于网格的大小和密度。

3. 立方体

matplotlib中提供了一个绘制立方体的函数voxels,通过这个函数可以很方便的绘制各种立方体形状。

我用voxels绘制了一个简易的金字塔结构:

python 复制代码
x, y, z = np.indices((10, 10, 8))

cube1 = (x < 9) & (y < 9) & (z == 1)
cube2 = (x > 0) & (x < 8) & (y > 0) & (y < 8) & (z == 2)
cube3 = (x > 1) & (x < 7) & (y > 1) & (y < 7) & (z == 3)
cube4 = (x > 2) & (x < 6) & (y > 2) & (y < 6) & (z == 4)
cube5 = (x > 3) & (x < 5) & (y > 3) & (y < 5) & (z == 5)

cube = cube1 | cube2 | cube3 | cube4 | cube5

fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
fig.set_size_inches(8, 6)
ax.voxels(cube, color="goldenrod", edgecolor="g")

plt.show()

4. 总结

看了matplotlib的3D绘图功能,尤其是曲面图绘制方面,

我觉得它的3D功能不仅仅是给分析图表拓展了一个维度这么简单,而是让它在数学上的表现能力也极大提高了。

配合numpy中的数学函数,3D绘图能够展示很多复杂的几何曲面,让matplotlib的使用范围大大拓展。

相关推荐
Codebee3 小时前
OneCode图表配置速查手册
大数据·前端·数据可视化
陈敬雷-充电了么-CEO兼CTO4 小时前
推荐算法系统系列>推荐数据仓库集市的ETL数据处理
大数据·数据库·数据仓库·数据挖掘·数据分析·etl·推荐算法
马特说6 小时前
React金融数据分析应用性能优化实战:借助AI辅助解决18万数据量栈溢出Bug
react.js·金融·数据分析
isNotNullX8 小时前
什么是数据分析?常见方法全解析
大数据·数据库·数据仓库·人工智能·数据分析
DataGear20 小时前
如何在DataGear 5.4.1 中快速制作SQL服务端分页的数据表格看板
javascript·数据库·sql·信息可视化·数据分析·echarts·数据可视化
王小王-1231 天前
基于Hadoop的京东厨具商品数据分析及商品价格预测系统的设计与实现
hadoop·数据分析·京东厨具·厨具分析·商品分析
可观测性用观测云1 天前
Cloudflare 日志采集和分析最佳实践
数据分析
真智AI1 天前
AI智能体时代来临:数据分析的变革与自动化之路
人工智能·数据分析·自动化
程序员阿超的博客1 天前
Python 数据分析与机器学习入门 (五):Matplotlib 数据可视化基础
python·信息可视化·数据分析·matplotlib·数据可视化·python教程·pyplot
蓝婷儿1 天前
Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比(逻辑回归 vs 决策树)
python·数据分析·逻辑回归