Matplotlib绘制3D统计图

前言

制作 3D 图形的 API 与 2D API 非常相似,我们已经学习了一系列2D统计图的绘制,而在统计图中再添加一个维度可以展示更多信息。而且,在进行常规汇报或演讲时,3D 图形也可以吸引更多的注意力。在本文中,我们将探讨利用 Matplotlib 绘制三维统计图。

3D散点图

3D 散点图的绘制方式与 2D 散点图基本相同。

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# 数据生成
a, b, c = 10., 28., 8. / 3.
def lorenz_map(x, dt = 1e-2):
    x_dt = np.array([a * (x[1] - x[0]), x[0] * (b - x[2]) - x[1], x[0] * x[1] - c * x[2]])
    return x + dt * x_dt
points = np.zeros((2000, 3))
x = np.array([.1, .0, .0])
for i in range(points.shape[0]):
    points[i], x = x, lorenz_map(x)
# 绘制
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.set_title('Lorenz Attractor a=%0.2f b=%0.2f c=%0.2f' % (a, b, c))
ax.scatter(points[:, 0], points[:, 1],points[:, 2], zdir = 'z', c = 'c')
plt.show()

Matplotlib绘制3D统计图

Tips:按住鼠标左键移动鼠标可以旋转查看三维图形将旋转。

为了使用 Matplotlib 进行三维操作,我们首先需要导入 Matplotlib 的三维扩展:

from mpl_toolkits.mplot3d import Axes3D

对于三维绘图,需要创建一个 Figure 实例并附加一个 Axes3D 实例:

fig = plt.figure()
ax = fig.gca(projection='3d')

之后,三维散点图的绘制方式与二维散点图完全相同:

ax.scatter(points[:, 0], points[:, 1],points[:, 2], zdir = 'z', c = 'c')

Tips:需要调用 Axes3D 实例的 scatter() 方法,而非 plt 中的 scatter 方法。只有 Axes3D 中的 scatter() 方法才能解释三维数据。同时 2D 统计图中的注释也可以在 3D 图中使用,例如 set_title()、set_xlabel()、set_ylabel() 和 set_zlabel() 等。

同时可以通过使用 Axes3D.scatter() 的可选参数更改统计通的形状和颜色:

ax.scatter(points[:, 0], points[:, 1],points[:, 2], zdir = 'z', c = 'c', marker='s', edgecolor='0.5', facecolor='m')

Matplotlib绘制3D统计图

3D曲线图

与在 3D 空间中绘制散点图类似,绘制 3D 曲线图同样需要设置一个 Axes3D 实例,然后调用其 plot() 方法:

# 构造数据集
a, b, c = 10., 28., 8. / 3.
def lorenz_map(x, dt = 1e-2):
    x_dt = np.array([a * (x[1] - x[0]), x[0] * (b - x[2]) - x[1], x[0] * x[1] - c * x[2]])
    return x + dt * x_dt
points = np.zeros((8000, 3))
x = np.array([.1, .0, .0])
for i in range(points.shape[0]):
    points[i], x = x, lorenz_map(x)
# Plotting
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.plot(points[:, 0], points[:, 1], points[:, 2], c = 'c')
plt.show()

Matplotlib绘制3D统计图

3D标量场

到目前为止,我们看到的 3D 绘图方式类似与相应的 2D 绘图方式,但也有许多特有的三维绘图功能,例如将二维标量场绘制为 3D 曲面:

x = np.linspace(-3, 3, 256)
y = np.linspace(-3, 3, 256)
x_grid, y_grid = np.meshgrid(x, y)
z = np.sinc(np.sqrt(x_grid ** 2 + y_grid ** 2))
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.plot_surface(x_grid, y_grid, z, cmap=cm.viridis)
plt.show()

Matplotlib绘制3D统计图

Tips: plot_surface() 方法使用 x、y 和 z 将标量场显示为三维曲面。

可以看到曲面上线条带有显著色彩,如果不希望看到三维曲面上显示的曲线色彩,可以使用 plot_surface() 附加可选参数:

ax.plot_surface(x_grid, y_grid, z, cmap=cm.viridis, linewidth=0, antialiased=False)

Matplotlib绘制3D统计图

同样,我们也可以仅保持曲线色彩,而曲面不使用其他颜色,这也可以通过 plot_surface() 的可选参数来完成:

x = np.linspace(-3, 3, 256)
y = np.linspace(-3, 3, 256)
x_grid, y_grid = np.meshgrid(x, y)
z = np.sinc(np.sqrt(x_grid ** 2 + y_grid ** 2))
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.plot_surface(x_grid, y_grid, z, edgecolor='b',color='w')
plt.show()

Matplotlib绘制3D统计图

而如果我们希望消除曲面,而仅使用线框进行绘制,这可以使用 plot_wireframe() 函数:

ax.plot_wireframe(x_grid, y_grid, z, cstride=10, rstride=10,color='c')

Matplotlib绘制3D统计图

Tips:plot_wireframe() 参数与 plot_surface() 相同,使用两个可选参数 rstride 和 cstride 用于令 Matplotlib 跳过x和y轴上指定数量的坐标,用于减少曲线的密度。

绘制3D曲面

在前述方法中,使用 plot_surface() 来绘制标量:即 f(x, y)=z 形式的函数,但 Matplotlib 也能够使用更通用的方式绘制三维曲面:

# 数据生成
angle = np.linspace(0, 2 * np.pi, 32)
theta, phi = np.meshgrid(angle, angle)
r, r_w = .25, 1.
x = (r_w + r * np.cos(phi)) * np.cos(theta)
y = (r_w + r * np.cos(phi)) * np.sin(theta)
z = r * np.sin(phi)
# 绘制
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.set_xlim3d(-1, 1)
ax.set_ylim3d(-1, 1)
ax.set_zlim3d(-1, 1)
ax.plot_surface(x, y, z, color = 'c', edgecolor='m', rstride = 2, cstride = 2)
plt.show()

Matplotlib绘制3D统计图

同样可以使用 plot_wireframe() 替换对 plot_surface() 的调用,以便获得圆环的线框视图:

ax.plot_wireframe(x, y, z, edgecolor='c', rstride = 2, cstride = 1)

Matplotlib绘制3D统计图

在3D坐标轴中绘制2D图形

注释三维图形的一种有效方法是使用二维图形:

x = np.linspace(-3, 3, 256)
y = np.linspace(-3, 3, 256)
x_grid, y_grid = np.meshgrid(x, y)
z = np.exp(-(x_grid ** 2 + y_grid ** 2))
u = np.exp(-(x ** 2))
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.set_zlim3d(0, 3)
ax.plot(x, u, zs=3, zdir='y', lw = 2, color = 'm')
ax.plot(x, u, zs=-3, zdir='x', lw = 2., color = 'c')
ax.plot_surface(x_grid, y_grid, z, color = 'b')
plt.show()

Matplotlib绘制3D统计图

Axes3D 实例同样支持常用的二维渲染命令,如 plot():

ax.plot(x, u, zs=3, zdir='y', lw = 2, color = 'm')

Axes3D 实例对 plot() 的调用有两个新的可选参数:

  • zdir:用于决定在哪个平面上绘制2D绘图,可选值包括 x、y 或 z ;
  • zs:用于决定平面的偏移。

因此,要将二维图形嵌入到三维图形中,只需将二维原语用于 Axes3D 实例,同时使用可选参数,zdir 和 zs,来放置所需渲染图形平面。  

接下来,让我们实际查看下在 3D 空间中堆叠 2D 条形图的示例:

import numpy as np
from matplotlib import cm
import matplotlib.colors as col
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# 数据生成
alpha = 1. / np.linspace(1, 8, 5)
t = np.linspace(0, 5, 16)
t_grid, a_grid = np.meshgrid(t, alpha)
data = np.exp(-t_grid * a_grid)
# 绘制
fig = plt.figure()
ax = fig.gca(projection = '3d')
cmap = cm.ScalarMappable(col.Normalize(0, len(alpha)), cm.viridis)
for i, row in enumerate(data):
    ax.bar(4 * t, row, zs=i, zdir='y', alpha=0.8, color=cmap.to_rgba(i))
plt.show()

Matplotlib绘制3D统计图

上一篇:Matplotlib更多实用图形的绘制


下一篇:Matplotlib图形的输出与保存