基于python,Matplotlib绘制函数的等高线与三维图像
本篇文章记录一下函数的等高线及其三维图像的可视化方法。
本例绘制的函数为:
1. 网格点
在绘制曲线之前,先了解一下网格点的绘制。比如绘制一个3x3的网格,那么就需要9个坐标点:
(0,2)-----(1,2)-----(2,2)
(0,1)-----(1,1)-----(2,1)
(0,0)-----(1,0)-----(2,0)
将其x轴和y轴坐标分开表示:
# x轴: [[0, 1, 2], [0, 1, 2], [0, 1, 2]] # y轴: [[0, 0, 0], [1, 1, 1], [2, 2, 2]]
在numpy中可以使用np.meshgrid()来生成网格点:
import numpy as np import matplotlib.pyplot as plt # 10x10 x = np.linspace(-1.5, 1.5, num=10) y = np.linspace(-1.5, 1.5, num=10) # generate grid X, Y = np.meshgrid(x, y) plt.plot(X, Y, marker='.', linestyle='') plt.grid(True) plt.show()
2. 等高线
绘制等高线需要的数据有点的坐标位置(x, y)以及坐标的高度z,高度z就是将坐标点(x, y)带入函数f ( x , y ) f(x, y)f(x,y)中计算得到的,在matplotlib
中可以使用plt.contour()来绘制:
import numpy as np import matplotlib.pyplot as plt x = np.linspace(-1.5, 1.5, num=100) y = np.linspace(-1.5, 1.5, num=100) X, Y = np.meshgrid(x, y) f = X * np.exp(-X**2 - Y**2) fig = plt.figure() plt.xlim(-1.5, 1.5) plt.ylim(-1.5, 1.5) # draw ax = plt.contour(X, Y, f, levels=10, cmap=plt.cm.cool) # add label plt.clabel(ax, inline=True) # plt.savefig('img1.png') plt.show()
# add color plt.contourf(X, Y, f, levels=10, cmap=plt.cm.cool) # plt.colorbar() # plt.savefig('img1.png') plt.show()
更多的api参数请参考官方文档。
3. 三维图像
函数的三维图像的绘制需要的数据与等高线一样,即坐标位置(x, y)以及坐标的高度z,在matplotlib中可以使用mpl_toolkits.mplot3d来绘制:
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D x = np.linspace(-1.5, 1.5, num=100) y = np.linspace(-1.5, 1.5, num=100) X, Y = np.meshgrid(x, y) f = X * np.exp(-X**2 - Y**2) fig = plt.figure() ax = Axes3D(fig) plt.xlim(-1.5, 1.5) plt.ylim(-1.5, 1.5) ax.plot_surface(X, Y, f, cmap=plt.cm.cool) # plt.savefig('img1.png') plt.show()
到此这篇关于基于python,Matplotlib绘制函数的等高线与三维图像的文章就介绍到这了,更多相关Matplotlib绘制函数的等高线与三维图像内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
有关mpl_toolkits.mplot3d的使用可以参考官方文档;
更多的颜色搭配可参考matplotlib的colormap官方手册。
相关文章
xadmin使用formfield_for_dbfield函数过滤下拉表单实例
这篇文章主要介绍了xadmin使用formfield_for_dbfield函数过滤下拉表单实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2020-04-04
最新评论