内容简介：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：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：
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：
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：
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：
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：
# 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：
# 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。
相关代码如下：
# surface_files.py
import matplotlib.pyplot as plt
import numpy as np
from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10, 8))
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_surface(X, Y, Z, cmap=cm.hsv)
for angle in range(95, 180, 3):
ax.set_zlabel("Angle: " + str(angle))
ax.view_init(30, angle)
filename = "./" + str(angle) + ".png"
plt.savefig(filename)
print("Save " + filename + " finish")
这段代码其实并不复杂，与前面的区别主要就是在于代码最后的 for 循环。
在这个 for 循环中，我们选取了从95到180这个范围的角度，每隔3做一次采样，每次采样做如下的事情：
set_zlabel ax.view_init(30, angle) plt.savefig(filename)
这段代码执行完成之后，我们就会得到一系列的png文件。下面我们就通过这些png文件来生成动图。
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。
相关命令如下：
convert -delay 50 *.png animated.gif
当然，你可以研究一下这个命令的其他参数和功能。这里就不赘述了。
我们最终得到的动图看起来像下面这个样子：
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。
参考资料与推荐读物
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
数学与泛型编程
［美］亚历山大 A. 斯捷潘诺夫（Alexander A. Stepanov）、［美］丹尼尔 E. 罗斯（Daniel E. Rose） / 爱飞翔 / 机械工业出版社 / 2017-8 / 79
这是一本内容丰富而又通俗易懂的书籍，由优秀的软件设计师 Alexander A. Stepanov 与其同事 Daniel E. Rose 所撰写。作者在书中解释泛型编程的原则及其所依据的抽象数学概念，以帮助你写出简洁而强大的代码。 只要你对编程相当熟悉，并且擅长逻辑思考，那么就可以顺利阅读本书。Stepanov 与 Rose 会清晰地讲解相关的抽象代数及数论知识。他们首先解释数学家想要解决......一起来看看 《数学与泛型编程》 这本书的介绍吧!
