Python之数据分析（三维立体图像、极坐标系、半对数坐标）

男娘i 2023-02-25 08:36 19阅读 0赞

### 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()

*  测试效果  
    ![11][]

#### 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()

*  测试效果：  
    ![22][]

#### 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()

*  测试效果：  
    ![33][]

### 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()

**3、测试效果**  
![44][]

### 三、半对数坐标 ###

**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()

**3、测试效果**  
![55][]

[11]: /images/20230209/79f9e05f11c74d879a6744ed4c1398cf.png
[22]: https://img-blog.csdnimg.cn/20200711143846842.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5,size_16,color_FFFFFF,t_70
[33]: https://img-blog.csdnimg.cn/20200711143957288.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5,size_16,color_FFFFFF,t_70
[44]: https://img-blog.csdnimg.cn/20200711144115475.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5,size_16,color_FFFFFF,t_70
[55]: https://img-blog.csdnimg.cn/20200711144319127.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5,size_16,color_FFFFFF,t_70