Python之数据分析（三维立体图像、极坐标系、半对数坐标） |
您所在的位置：网站首页 › python 三维曲面图 › Python之数据分析（三维立体图像、极坐标系、半对数坐标） |
Python之数据分析（三维立体图像、极坐标系、半对数坐标）
|
文章目录
写在前面：一、三维立体图像1、三维线框2、三维曲面3、三维散点
二、极坐标系三、半对数坐标
写在前面：
import numpy as np import matplotlib.pylab as mp 因此文章中的np就代表numpy库，mp就代表pylab绘图库 一、三维立体图像 导入类：from mpl_toolkits.mplot3d import axes3d获得三维坐标轴：ax = mp.gca(projection='3d’) 1、三维线框 格式：ax.plot_wireframe(x, y, z, rstride=行距, cstrid=列距, linewidth=线宽, color=颜色)测试代码： import numpy as np import matplotlib.pylab as mp from mpl_toolkits.mplot3d import axes3d n = 1000 # 栅格化：两组1000个-3到3的一维数组成x和y，会形成1000*1000个焦点的二维数组 x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n)) # uniform：均匀分布，每个随机数概率一样在0.5和1.0之内产生n个随机数 y1 = (1 - x/n) * np.random.uniform(0.5, 1.0, n) # (1 - x/n)为了方便显示 y2 = (1 - x/n) * np.random.uniform(0.5, 1.0, n) z = (1 - x/2 + x**5 + y**3) * np.exp(-x**2 - y**2) # 换行做运算需要用\隔开，exp是底数为x指数是-x**2 - y**2 # 图像属性 mp.figure('3D Wireframe') # 创建3D坐标轴 ax = mp.gca(projection='3d') mp.title('3D Wireframe', fontsize=20) # 图像标题 # X、Y、Z坐标轴文本 ax.set_xlabel('X', fontsize=14) ax.set_ylabel('Y', fontsize=14) ax.set_zlabel('Z', fontsize=14) mp.tick_params(labelsize=10) # 刻度标签大小 # 绘制三维线框图像 ax.plot_wireframe(x, y, z, rstride=30, cstride=30, linewidth=0.5, color='orangered') mp.show() 1234567891011121314151617181920212223242526272829303132333435363712345678910111213141516171819202122232425262728293031323334353637 测试效果
2、三维曲面
格式：ax.plot_surface(x, y, z, rstride=行距, cstrid=列距, cmap=颜色映射)测试代码：
import numpy as np
import matplotlib.pylab as mp
from mpl_toolkits.mplot3d import axes3d
n = 1000
# 栅格化：两组1000个-3到3的一维数组成x和y，会形成1000*1000个焦点的二维数组
x, y = np.meshgrid(np.linspace(-3, 3, n),
np.linspace(-3, 3, n))
# uniform：均匀分布，在0.5和1.0之内产生n个随机数
y1 = (1 - x/n) * np.random.uniform(0.5, 1.0, n) # (1 - x/n)为了方便显示
y2 = (1 - x/n) * np.random.uniform(0.5, 1.0, n)
z = (1 - x/2 + x**5 + y**3) * np.exp(-x**2 - y**2)
# 换行做运算需要用\隔开，exp是底数为x指数是-x**2 - y**2
# 图像属性
mp.figure('3D Surface')
# 创建3D坐标轴
ax = mp.gca(projection='3d')
mp.title('3D Surface', fontsize=20) # 图像标题
# X、Y、Z坐标轴文本
ax.set_xlabel('X', fontsize=14)
ax.set_ylabel('Y', fontsize=14)
ax.set_zlabel('Z', fontsize=14)
mp.tick_params(labelsize=10) # 刻度标签大小
# 绘制三维线框图像：行距列距越小，画的图越密集
ax.plot_surface(x, y, z, rstride=10, cstride=10, cmap='jet')
mp.show()
123456789101112131415161718192021222324252627282930313233343536123456789101112131415161718192021222324252627282930313233343536
测试效果：
3、三维散点
格式：ax.scatter(x, y, z, s=大小, c=颜色, marker=点型)测试代码：
import numpy as np
import matplotlib.pylab as mp
from mpl_toolkits.mplot3d import axes3d
# 获得1000个使用随机作为服从正态分布的数据样本（数组）
n = 1000
x = np.random.normal(0, 1, n) # 一参为标准差，二参为分布平坦性（越大越分散，越小越集中），三参为点的个数
y = np.random.normal(0, 1, n)
z = np.random.normal(0, 1, n)
d = np.sqrt(x ** 2 + y ** 2 + z ** 2) # 根号下 x平方加y平方 作为点到正态中心的距离
# 绘制图像
mp.figure('Scatter 3D')
ax = mp.gca(projection='3d')
mp.title('Scatter 3D', fontsize=20) # 图像标题
ax.set_xlabel('X', fontsize=14) # X、Y刻度显示的文本
ax.set_ylabel('Y', fontsize=14)
ax.set_zlabel('Z', fontsize=14)
mp.tick_params(labelsize=10) # 刻度标签大小
ax.scatter(x, y, z, s=60, c=d, cmap='jet_r', alpha=0.5, marker='*') # marker常用D，*，s，默认圆点o
mp.show()
1234567891011121314151617181920212223242512345678910111213141516171819202122232425
测试效果：
二、极坐标系
1、格式 ax = mp.gca(projection='polar’) mp.plot… mp.scatter… x、y分别对应极角、极径 2、测试代码 import numpy as np import matplotlib.pylab as mp t = np.linspace(0, 2 * np.pi, 1001) # 极角 # 螺旋线 r_spiral = 0.8 * t # 螺旋线，极径与极角是0.8倍的关系 # 玫瑰线 r_rose = 5 * np.sin(6 * t) # 绘制图像 mp.figure('Polar', facecolor='lightgray') ax = mp.gca(projection='polar') mp.title('Polar', fontsize=20) # 图像标题 # 坐标文本：极角，极径 ax.set_xlabel(r'$\theta$', fontsize=14) ax.set_ylabel(r'$\rho$', fontsize=14) mp.grid(linestyle=':') # 螺旋线 mp.plot(t, r_spiral, c='dodgerblue', label=r'$\rho=0.8\theta$') # 玫瑰线 mp.plot(t, r_rose, c='red', label=r'$\rho=5sin(6\theta)$') mp.tick_params(labelsize=10) # 刻度标签大小 mp.legend() mp.show() 12345678910111213141516171819202122232425262728123456789101112131415161718192021222324252627283、测试效果 1、格式 mp.semilogy(…参数与mp.plot一样) mp.semilogx() 2、测试代码 import numpy as np import matplotlib.pylab as mp y = np.array([1, 10, 100, 1000, 100, 10, 1]) # y坐标序列 # 绘制图像 mp.figure('Normal & Log', facecolor='lightgray') mp.subplot(2, 1, 1) # 创建位置在2行1列的子图 # 普通plot mp.title('Normal', fontsize=16) # 图像标题 mp.ylabel('Y', fontsize=12) # 刻度定位：x方向 ax = mp.gca() ax.xaxis.set_major_locator( mp.MultipleLocator(1) # 多点定位器主刻度 ) ax.xaxis.set_minor_locator( mp.MultipleLocator(0.1) # 多点定位器次刻度 ) # y方向 ax.yaxis.set_major_locator( mp.MultipleLocator(250) # 多点定位器主刻度 ) ax.yaxis.set_minor_locator( mp.MultipleLocator(50) # 多点定位器次刻度 ) # 设置主刻度网格线 mp.grid(which='major', axis='both', linewidth=0.75, linestyle='-', color='lightgray') # 设置次刻度网格线 mp.grid(which='minor', axis='both', linewidth=0.25, linestyle='-', color='lightgray') mp.plot(y, 'o-', c='dodgerblue', label='plot') mp.legend() mp.subplot(2, 1, 2) # 创建位置在2行1列的子图 # 对数plot坐标 mp.title('Log', fontsize=16) # 图像标题 mp.xlabel('X', fontsize=12) mp.ylabel('Y', fontsize=12) # 刻度定位：x方向 ax = mp.gca() ax.xaxis.set_major_locator( mp.MultipleLocator(1) # 多点定位器主刻度 ) ax.xaxis.set_minor_locator( mp.MultipleLocator(0.1) # 多点定位器次刻度 ) # y方向：按照缺省来自动设置 # 设置主刻度网格线 mp.grid(which='major', axis='both', linewidth=0.75, linestyle='-', color='lightgray') # 设置次刻度网格线 mp.grid(which='minor', axis='both', linewidth=0.25, linestyle='-', color='lightgray') mp.semilogy(y, 'o-', c='orangered', label='semilog') mp.legend() mp.tight_layout() mp.show() 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162631234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162633、测试效果 |
【本文地址】
今日新闻 |
推荐新闻 |