【100天精通Python】Day65:Python可视化_Matplotlib3D绘图mplot3d,绘制3D散点图、3D线图和3D条形图,示例+代码

简介: 【100天精通Python】Day65:Python可视化_Matplotlib3D绘图mplot3d,绘制3D散点图、3D线图和3D条形图,示例+代码

1  mpl_toolkits.mplot3d  功能介绍

 mpl_toolkits.mplot3d 是 Matplotlib 库中的一个子模块,用于绘制和可视化三维图形,包括三维散点图、曲面图、线图等。它提供了丰富的功能来创建和定制三维图形。以下是 mpl_toolkits.mplot3d 的主要功能和功能简介:

  1. 3D 散点图:通过 scatter 函数,你可以绘制三维散点图,用于显示三维数据点的分布和关系。
  2. 3D 曲面图:使用 plot_surface 函数,可以创建三维曲面图,用于可视化三维数据的表面形状。这对于显示函数的三维性质非常有用。
  3. 3D 线图plot 函数允许你绘制三维线图,用于表示数据点之间的连接关系。这对于显示数据随时间或其他变量的变化趋势非常有用。
  4. 3D 条形图:通过 bar3d 函数,你可以创建三维柱状图,用于比较不同类别或组的数据。
  5. 3D 散点图标记和颜色:你可以根据数据的特性来定制散点图的标记形状和颜色,以区分不同的数据点。
  6. 3D 坐标轴定制:你可以设置和定制三维图的坐标轴,包括添加标签、设置刻度和范围等。
  7. 图形样式定制:你可以设置图形的样式,包括标题、图例、背景色、线条样式和颜色等,以使图形更具吸引力和可读性。
  8. 3D 投影mpl_toolkits.mplot3d 支持不同类型的三维投影,包括透视投影和正交投影,以满足不同的可视化需求。
  9. 动画和交互性:你可以在三维图中添加动画效果或交互式元素,以更好地探索数据。
  10. 多图形组合:你可以在同一个三维图中组合多个不同类型的图形,以展示多个数据系列。
  11. 保存图形:最后,你可以将绘制的三维图形保存为图像文件,以便在文档中使用或与他人分享。
  12.        总之,mpl_toolkits.mplot3d 子模块为 Matplotlib 提供了强大的三维可视化工具,可以用于可视化和分析三维数据。根据你的需求,你可以选择不同的图形类型和样式来呈现数据,以便更好地理解和传达你的发现。

在 Matplotlib 的 mpl_toolkits.mplot3d 模块中,绘制 3D 图的一般流程包括以下步骤:

(1)导入必要的库和模块:

import matplotlib.pyplot as plt 
from mpl_toolkits.mplot3d import Axes3D

(2)创建一个 3D 图形的绘图对象:

fig = plt.figure()

(3) 创建一个 3D 子图:

ax = fig.add_subplot(111, projection='3d')

(4) 准备数据:定义 X、Y 和 Z 数据,这些数据将在 3D 图中表示。

  1. 使用相应的 3D 绘图函数来绘制数据,例如:
  • 散点图:ax.scatter(x, y, z, c='color', marker='marker_style', label='label')
  • 曲面图:ax.plot_surface(X, Y, Z, cmap='colormap')
  • 线图:ax.plot(x, y, z, label='label')
  • 柱状图:ax.bar3d(x, y, z, dx, dy, dz, shade=True)

(5)添加坐标轴标签:

ax.set_xlabel('X轴标签') 
ax.set_ylabel('Y轴标签') 
ax.set_zlabel('Z轴标签')

(6)添加标题:

plt.title('3D 图标题')

(7)添加图例(如果需要):

ax.legend()

(8)显示图形:

plt.show()

2 绘制3D散点图

       在matplotlib的mpl_toolkits.mplot3d模块中,你可以使用`scatter`函数绘制多种类型的3D散点图。

下面是一些常见的3D散点图类型:

2.1 绘制单色散点图

   所有的散点都使用相同的颜色。可以通过设置`c`参数指定颜色。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制单色散点图
ax.scatter(x, y, z, c='blue')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

2.2 绘制彩色散点图

       不同的散点可以使用不同的颜色。可以通过设置`c`参数为一个具有相同长度的数组来指定每个散点的颜色。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)
colors = np.random.rand(100)
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制彩色散点图
ax.scatter(x, y, z, c=colors)
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

2.3 绘制大小变化散点图

       散点的大小可以根据某个特征进行变化。可以通过设置`s`参数为一个具有相同长度的数组来指定每个散点的大小。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.random.rand(100)  # x坐标
y = np.random.rand(100)  # y坐标
z = np.random.rand(100)  # z坐标
colors = np.random.rand(100)  # 散点颜色
sizes = np.random.randint(low=50, high=200, size=100)  # 散点大小
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制散点图
ax.scatter(x, y, z, c=colors, s=sizes, alpha=0.8)
# 设置坐标轴标签
ax.set_xlabel('X')  # 设置x轴标签
ax.set_ylabel('Y')  # 设置y轴标签
ax.set_zlabel('Z')  # 设置z轴标签
# 显示图形
plt.show()

2.4 绘制形状变化散点图

       散点的形状可以根据某个特征进行变化。可以通过设置`marker`参数来指定散点的形状。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)
markers = ['o', 's', '^', 'D']
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制形状变化散点图
for i in range(len(x)):
    ax.scatter(x[i], y[i], z[i], marker=markers[i%len(markers)])
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

3 绘制3D线图

       使用mpl_toolkits.mplot3d模块中的Axes3D对象绘制3D线图。

3.1 简单线图

       使用`plot`函数绘制简单的曲线。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(0, 1, 100)
y = np.sin(2 * np.pi * x)
z = np.cos(2 * np.pi * x)
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制简单线图
ax.plot(x, y, z)
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

3.2 绘制多线图

       使用`plot`函数绘制多条线并在同一图表中显示。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
# 创建示例数据
t = np.linspace(0, 20, 100)  # 时间或X轴数据
x1 = np.sin(t)
y1 = np.cos(t)
z1 = t
x2 = np.sin(t) + 2
y2 = np.cos(t) + 2
z2 = t
# 创建图形和子图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制第一条线
ax.plot(x1, y1, z1, label='线1', color='blue', linestyle='-', linewidth=2)
# 绘制第二条线
ax.plot(x2, y2, z2, label='线2', color='red', linestyle='--', linewidth=2)
# 添加标题
plt.title('三维多线图示例')
# 添加坐标轴标签
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
# 添加图例
ax.legend()
# 显示图形
plt.show()

3.3  绘制带标记的线图

       使用`plot`函数,并通过设置`marker`参数来添加线上的标记点。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(0, 1, 100)
y = np.sin(2 * np.pi * x)
z = np.cos(2 * np.pi * x)
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制带标记的线图
ax.plot(x, y, z, marker='o')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

3.4  绘制立体网格线图

       使用`plot_wireframe`函数在3D空间中绘制网格线图。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X ** 2 + Y ** 2))
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制立体网格线图
ax.plot_wireframe(X, Y, Z)
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

3.5  绘制等高线图

       使用`contour`或`contourf`函数在3D空间中绘制等高线。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制3D等高线图
ax.contour3D(X, Y, Z, 50, cmap='viridis')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

4 绘制3D条形图

       在matplotlib中,由于 mpl_toolkits.mplot3d模块的限制,没有直接绘制3D的条形图的函数。不过你可以使用 bar3d函数绘制类似的3D条形图效果。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = [1, 2, 3, 4, 5]  # x轴坐标位置
y = [1, 2, 3, 4, 5]  # y轴坐标位置
z = [0, 3, 2, 5, 1]  # z轴高度,即条形的高度
dx = dy = 0.8  # x和y方向的宽度
dz = z  # 条形的高度
colors = ['red', 'green', 'blue', 'orange', 'purple']  # 颜色列表,一一对应于每个条形
# 创建图形和轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制3D条形图,并设置每个条形的颜色
for xi, yi, zi, color in zip(x, y, z, colors):
    ax.bar3d(xi, yi, 0, dx, dy, zi, color=color)
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()

目录
相关文章
|
19小时前
|
开发框架 数据可视化 数据挖掘
Python数据可视化神器Matplotlib及其应用
数据可视化在数据分析和展示中扮演着至关重要的角色,而Matplotlib作为Python中最流行的数据可视化库之一,提供了丰富的功能和灵活性,本文将介绍Matplotlib的基本用法和常见应用场景。
|
1天前
|
数据可视化 数据处理 Python
Python 与数据可视化的完美结合:使用 Matplotlib 和 Seaborn 制作图表
【2月更文挑战第1天】 数据可视化是现代数据科学中不可或缺的一环。Python 语言具有强大的数据处理和分析能力,加上丰富的可视化库,更是成为了数据可视化的首选工具。本文将介绍 Python 中两个常用的可视化库 Matplotlib 和 Seaborn,并通过实例演示它们的使用方法,帮助读者更好地理解数据可视化的思路和技巧。
|
1天前
|
程序员 测试技术 Python
Python中的装饰器:提升代码灵活性与可维护性
【2月更文挑战第1天】在Python编程中,装饰器是一种强大的工具,它可以通过在不修改函数源代码的情况下,动态地改变函数的行为。本文将介绍Python中装饰器的基本概念、用法以及实际应用,帮助读者更好地理解和运用这一技术,提升代码的灵活性与可维护性。
|
1天前
|
存储 大数据 Python
Python中的迭代器与生成器:提升代码效率的利器
【2月更文挑战第1天】在Python编程中,迭代器和生成器是两个强大的工具,能够极大地提升代码的效率和可读性。本文将深入探讨Python中迭代器和生成器的定义、用法以及优势,并通过示例代码展示它们在实际项目中的应用,帮助读者更好地理解和运用这些技术。
8 1
|
1天前
|
人工智能 数据可视化 测试技术
Python数据可视化之Matplotlib实战Python中的装饰器:优雅而强大的函数增强工具
Python是一门强大的编程语言,它在数据科学和人工智能领域有着广泛应用。Matplotlib是Python中最常用的数据可视化库之一,它可以帮助开发者将复杂的数据呈现出来,以更好的展示和分析数据。本文将通过实例,介绍如何使用Matplotlib进行数据可视化。 在Python编程中,装饰器是一种强大的工具,可以用来增强函数的功能而不改变其结构。本文将深入探讨Python中装饰器的原理、应用及实例,帮助读者更好地理解和运用这一技术。
|
1天前
|
缓存 程序员 Python
Python中的装饰器:提升代码灵活性与可维护性
在Python编程中,装饰器是一种强大的工具,它能够将函数或方法进行包装,以实现横切关注点的逻辑分离。本文将深入探讨Python中装饰器的原理、用法和实际应用,帮助读者更好地理解并应用装饰器提升代码的灵活性与可维护性。
|
2天前
|
开发者 Python
Python中的装饰器:提升代码灵活性与可维护性
Python中的装饰器是一种强大的编程技术,它可以在不修改原始函数代码的情况下,动态地添加功能。本文将通过实例介绍Python中装饰器的基本用法和实际应用,以及如何利用装饰器提升代码的灵活性和可维护性。
7 1
|
Python
【python入门项目】在 Python 中创建条形图追赶动画(2)
【python入门项目】在 Python 中创建条形图追赶动画
169 0
【python入门项目】在 Python 中创建条形图追赶动画(2)
|
存储 Python
【python入门项目】在 Python 中创建条形图追赶动画(1)
【python入门项目】在 Python 中创建条形图追赶动画
153 0
【python入门项目】在 Python 中创建条形图追赶动画(1)
|
3天前
|
分布式计算 IDE 开发工具
如何提高 Python 编程效率
Python 是一种易学、易用的编程语言,但是在实际开发中,我们也会遇到各种各样的问题。本文将分享一些实用的技巧,帮助你提高 Python 编程效率。