本文是Matplotlib的第二篇文章，会讲解如何通过Matplotlib绘制3D图形。关于Matplotlib的第一篇文章，请看这里：Python绘图库Matplotlib入门教程。

测试环境

由于这是一个Python语言的软件包，因此需要你的机器上首先安装好Python语言的环境。关于这一点，请自行在网络上搜索获取方法。

关于如何安装Matplotlib请参见这里：Matplotlib Installing。

笔者推荐大家通过pip或者anaconde的方式进行安装。

本文中的源码和测试数据可以在这里获取：Github: matplotlib_tutorial

本文的代码示例会用到其他一些Python库。建议读者先对其有一定的熟悉，我的博客中也有一些相关文章。

本文的代码在如下环境中测试：

Apple OS X 10.13
Python 3.6.2
matplotlib 2.2.3
numpy 1.14.1

准备

绘制3D图形的时候我们通常都会包含下面这个代码片段，这里我们先对其进行说明。

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

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

这4行代码说明如下：

第一行自然不必说，就是导入matplotlib.pyplot。
第二行from mpl_toolkits.mplot3d import Axes3D是导入Axes3D类。我们后面在绘制3D图形的时候，相应的函数都位于这个接口上。
fig = plt.figure()是获取到当前figure对象。
ax = fig.gca(projection='3d')这一行是比较关键的。fig.gca是获取图中的当前极轴。如果不存在，或者不是极轴，则将创建相应的轴，然后返回。此时得到的ax对象的类型是Axes3D的子类，这个对象将是绘制3D图形的入口。

Colormap

绘制图形的时候，常常会需要对图形着色。Matplotlib中内置了很多的Colormap来简化这个工作，具体可以看这里：Choosing Colormaps。

下面是一些Colormap示例：

通过指定相应的名称我们就可以直接使用这里的Colormap了。

线形图

Axes3D.plot 函数用来绘制线形图。

首先我们来看最简单的图形 - 线形图。

由于这是三维空间中的线，所以需要若干个(x, y, z)坐标的值。

下面这段代码生成了一条三维空间中的直线。

# line.py

import matplotlib.pyplot as plt
import numpy as np

from mpl_toolkits.mplot3d import Axes3D

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

x = np.linspace(-10, 10, 1000)
y = np.linspace(-10, 10, 1000)
z = np.add(x, y)

ax.plot(x, y, z)
plt.show()

从这段代码可以看出，这条线的x和y轴的范围都是[-10, 10]。我们共计采样了1000个点。

需要注意的是，由于线是通过点来描绘的，每一个点都由[x,y,z]三个坐标值来确定，因此这里x，y，z三个数组的元素数量应该是一样多的。

z轴取值为np.add(x, y)。请注意，np.add是元素级（element-wise）的运算：它是将x和y两个数组的元素逐个相加，所以得到的结果仍然是包含了1000个元素的数组。

这段代码得到的结果如下：

散点图

Axes3D.scatter 函数用来绘制散点图。

下面我们再来看一下散点图。

和线形图类似，它也是展示若干个(x, y, z)坐标的值。区别在于，这里仅仅是一些点，没有通过线连在一起。

下面是一段代码示例：

# scatter.py

import matplotlib.pyplot as plt
import numpy as np

from mpl_toolkits.mplot3d import Axes3D

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

count = 100
range = 100

xs = np.random.rand(count) * range
ys = np.random.rand(count) * range
zs = np.random.rand(count) * range

ax.scatter(xs, ys, zs, s=zs, c=zs)

ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')

plt.show()

这段代码中，我们还设置了三个坐标轴的Label。

另外，所有点的x，y，z轴都是随机的。范围都在100以内。并且，我们在显示这些点的时候，根据z值的大小设置了点的颜色和尺寸以示区分。

最终我们得到的图形如下所示：

线框图

Axes3D.plot_wireframe 函数用来绘制线框图。

线框图要比前面的图形要复杂一些。

线框图展示的是一个曲面的框架结构，由于是一个面，因此它在x，y两个坐标的整个面上都应该有所取值。

前面两种图形的x，y轴的值都是一维的数组，而对于线框图来说，其x，y轴的取值应该是一个二维的矩阵。

例如，我们设置x的范围是[1, 3]之间，y的范围是[11, 15]之间。并且，每一个整数坐标取一个点，那么如下的所有点上都会对应一个z值：

$$ \begin{pmatrix} [1,11], [2,11], [3,11] \\\ [1,12], [2,12], [3,12] \\\ [1,13], [2,13], [3,13] \\\ [1,14], [2,14], [3,14] \\\ [1,15], [2,15], [3,15] \end{pmatrix} $$

而对于描述x，y轴的两个数组来说，它们各自应该是下面这样的矩阵：

$$ \begin{pmatrix} 1, 2, 3 \\\ 1, 2, 3 \\\ 1, 2, 3 \\\ 1, 2, 3 \\\ 1, 2, 3 \end{pmatrix} $$

$$ \begin{pmatrix} 11, 11, 11 \\\ 12, 12, 12 \\\ 13, 13, 13 \\\ 14, 14, 14 \\\ 15, 15, 15 \end{pmatrix} $$

这里的两个矩阵其实是互相由对方数据的数量而确定尺寸的。

numpy中的meshgrid函数刚好可以帮我们完成这个功能，下面是一段代码示例：

# meshgrid_demo.py

import numpy as np

x = np.arange(1, 4)
y = np.arange(11, 16)
print(x)
print(y)

X, Y = np.meshgrid(x, y)
print(X)
print(Y)

请仔细观察一下它的输出：

[1 2 3]
[11 12 13 14 15]
[[1 2 3]
 [1 2 3]
 [1 2 3]
 [1 2 3]
 [1 2 3]]
[[11 11 11]
 [12 12 12]
 [13 13 13]
 [14 14 14]
 [15 15 15]]

有了这个基础之后，我们就可以以此来产生我们需要的线框图了。

假设我们要展示的函数如下：

$$ z = -x^3 + y^4 , -10 \lt x,y \lt 10 $$

我们可以通过下面这段代码来生成这个函数的图形：

# wireframe.py

import matplotlib.pyplot as plt
import numpy as np

from mpl_toolkits.mplot3d import Axes3D

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

x = np.arange(-10, 10, 0.1)
y = np.arange(-10, 10, 0.1)
X, Y = np.meshgrid(x, y)

Z = np.add(-np.power(X, 3), np.power(Y, 4))

surf = ax.plot_wireframe(X, Y, Z)

plt.show()

请注意，这段代码中关于np的函数都是元素级（element-wise）的运算。

请读者思考一下，np.power(X, 3) 与 X**3的含义分别是什么。

这段代码所得到的图形如下所示：

曲面图

Axes3D.plot_surface 函数用来绘制曲面图。

曲面图和线框图类似，它们都是描述三维空间中的曲面的。区别在于：曲面图中的面是着色的。

下面这段代码绘制出了下面这个函数的图形：

$$ z = -x^3 + y^2, -10 \lt x, y \lt 10 $$

# surface.py

import matplotlib.pyplot as plt
import numpy as np

from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3D

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

x = np.arange(-10, 10, 0.1)
y = np.arange(-10, 10, 0.1)
X, Y = np.meshgrid(x, y)

Z = np.add(-np.power(X, 3), np.power(Y, 2))

surf = ax.plot_surface(X, Y, Z, cmap=cm.gist_rainbow)
fig.colorbar(surf, shrink=0.5, aspect=5)

plt.show()

这段代码整体应该都不难理解，只有两个地方需要说明一下：

这里通过cmap=cm.gist_rainbow指定了曲面的颜色。更多的Colormap请到查阅这里：Choosing Colormaps。
通过 fig.colorbar(surf, shrink=0.5, aspect=5)添加了一个色彩条。shrink指定了色彩条与图形高度的比例，aspect指定了色彩条本身的长宽比。

这段代码得到的图形如下所示：

等高线

Axes3D.contour 函数用来绘制等高线。

等高线顾名思义，就是描述高度相等的线。等高线通常伴随主体图形一起出现，辅助我们观察主体图形的一些特性。

有了前面的基础，绘制等高线也就很容易了。

下面这段代码绘制出了以下这个函数的线框图以及等高线：

$$ Z = -x^4 + Y^4, -10 \lt x, y \lt 10 $$

# contour.py

import matplotlib.pyplot as plt
import numpy as np

from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3D

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

x = np.arange(-10, 10, 0.1)
y = np.arange(-10, 10, 0.1)
X, Y = np.meshgrid(x, y)

Z = np.add(-np.power(X, 4), np.power(Y, 4))

ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.plot_wireframe(X, Y, Z, alpha=0.1)
ax.contour(X, Y, Z, cmap=cm.Accent, linewidths=2)

plt.show()

为了便于观察等高线，我们将主体图形的线框图透明度设为0.1，然后将等高线的粗度设置为2。

上面这段代码得到的图形如下所示：

这个图形比较复杂，单从一个角度不太容易看清楚其完整结构，文末我们会讲解怎么制作一副动态图来展示图形的全貌。

柱状图

Axes3D.bar 函数用来绘制柱状图。

柱状图也是很常用的图。

下面这段代码展示了这样一种场景：在一副图中，对比一个城市四年期间每个月的降水量。

在这幅图中，每一年的12个月是一组柱状图。四年的数据进行了前后的对比展示。

代码如下：

# bar.py

import matplotlib.pyplot as plt
import numpy as np

from matplotlib.collections import PolyCollection
from mpl_toolkits.mplot3d import Axes3D

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

np.random.seed(59)
month = np.arange(1, 12)
years = [2016, 2017, 2018, 2019]

def get_color(value_array):
    color = []
    for v in value_array:
        if (v < 50):
            color.append('y')
        elif (v < 100):
            color.append('g')
        elif (v < 150):
            color.append('b')
        elif (v < 200):
            color.append('c')
        elif (v < 250):
            color.append('m')
        else:
            color.append('r')
    return color

for year, c in zip(years, ['b','c','r','m']):
    value = np.random.rand(len(month)) * 300
    ax.bar(month, value, year, zdir='y', color=get_color(value), alpha=0.7)
    for i in np.arange(0, 12):
        ax.bar

ax.set_xlabel('Month')
ax.set_xticks(np.arange(1, 13))
ax.set_ylabel('Year')
ax.set_yticks(np.arange(2016, 2020))
ax.set_zlabel('Precipitation')

plt.show()

在这段代码中，我们通过随机数生成了每个月的降水量。并且根据降水量的程度设置了条柱的颜色以示区分。

我们最终得到的图形如下所示：

多边形

Axes3D.add_collection3d 函数用来向图形中添加3D集合对象。

对于某些数据（例如降水量）来说，我们也可能希望通过多边形来了解其每个点的走势。

下面这段代码通过多边形的形式展示了和上面柱状图一样的数据。

# poly.py

import matplotlib.pyplot as plt
import numpy as np

from matplotlib.collections import PolyCollection
from mpl_toolkits.mplot3d import Axes3D

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

np.random.seed(59)
month = np.arange(0, 13)
years = [2016, 2017, 2018, 2019]

precipitation = []
for year in years:
    value = np.random.rand(len(month)) * 300
    value[0], value[-1] = 0, 0
    precipitation.append(list(zip(month, value)))

poly = PolyCollection(precipitation, facecolors=['b','c','r','m'])
poly.set_alpha(0.7)

ax.add_collection3d(poly, zs=years, zdir='y')
ax.set_xlabel('Month')
ax.set_xlim3d(0, 12)
ax.set_ylabel('Year')
ax.set_ylim3d(2015, 2020)
ax.set_zlabel('Precipitation')
ax.set_zlim3d(0, 300)

plt.show()

Axes3D.add_collection3d 函数除了支持PolyCollection，还支持LineCollection和PatchCollection。这一点，读者可以自行研究一下。

上面这段代码得到的图形如下：

制作动图

很多时候，我们可能需要制作一张动画图来展示图形的全貌，下面我们就来看一下如何做到。

生成不同角度的图形

为了制作动图，我们需要先有制作动图的图片素材。

下面我们就以前面等高线那个函数生成的复杂图形为例，来看看如何生成一个关于这个图形不同角度的动图。

使用ImageMagick

这里通过一个免费的跨平台工具ImageMagick来制作动图。该工具支持 Linux，Windows，Mac OS X，iOS和Android等各个平台。

首先，我们到这里进行下载：Download ImageMagick。

请根据你的平台选择下载哪个版本。

由于我是Mac用户，所以直接通过下面的命令就可以安装ImageMagick。

brew install ImageMagick

安装好之后，命令行就会有convert工具。通过这个工具就可以生成动图了。

结束语

能够绘制3D图形将是一项非常有用的技能。因为在今后的机器学习过程中，我们常常会将数据以图形的形式展示出来，以便我们观察和了解。

由于篇幅所限，本文只介绍了一些最基本的用法，但实际上Matplotlib所支持的功能远不止这些，因此建议读者朋友们以此为基础继续进行更多的探索。

使用Matplotlib绘制3D图形

测试环境

准备

Colormap

线形图

散点图

线框图

曲面图

等高线

柱状图

多边形

制作动图

生成不同角度的图形

使用ImageMagick

结束语

参考资料与推荐读物

热门文章

最新文章

相关课程

相关电子书

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

使用Matplotlib绘制3D图形

测试环境

准备

Colormap

线形图

散点图

线框图

曲面图

等高线

柱状图

多边形

制作动图

生成不同角度的图形

使用ImageMagick

结束语

参考资料与推荐读物

热门文章

最新文章

相关课程

相关电子书