Python | NumPy | 3D 数据可视化 - 散点图

已于 2022-03-06 17:16:24 修改
阅读量2.9k 收藏 13
点赞数 1
分类专栏： Python NumPy 数据分析 文章标签： linux python numpy
于 2022-03-06 17:14:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MissMango0820/article/details/123290041
版权
Python 同时被 3 个专栏收录
44 篇文章 15 订阅
订阅专栏
数据分析
12 篇文章 0 订阅
订阅专栏
NumPy
4 篇文章 0 订阅
订阅专栏

本文介绍如何使用NumPy相关的数据实现数据的3D散点图可视化。
Updated: 2022 / 03 / 06

Python | NumPy | 3D 数据可视化 - 散点图


数据导入及清洗

先导入坐标集数据，再进行针对性的数据清洗。

请点击此处来下载原数据文件（.npy）。

导入

这个坐标集数据是以[a, b, c, d]的形式集合，其中[a, b, c]视为坐标[x, z, y]以及[d]视为相应坐标的ID。
以下方导入的示例数据中的[2, 2, 1920, 480]为例，[2, 2, 1920]对应坐标系中的[x, z, y]，[480]仅仅为[2, 2, 1920]的ID识别码。

DATA = np.load('Exampledata_3D_scatter.npy')
'''
[([   2,    2, 1920,  480],) ([   1,    3, 1923,  480],)
 ......
 ([   4,    1, 1920,  480],) ([   3,    0, 1922,  480],)
 ......
 ([   3,    3, 1923,  480],)]
 
⬆️ .shape, (69,)
⬆️ data.dtype, [('f0', '<i8', (4,))]
⬆️ type(data), <class 'numpy.ndarray'>
⬆️ type(data[0]), <class 'numpy.void'>
'''

其中，对于numpy.void1’ 2的处理, 截止目前为止，有2种方法：

  • np.array([DATA[i][0] for i in range(DATA.shape[0])])
data = np.array([DATA[i][0] for i in range(DATA.shape[0])])
'''
[[   2    2 1920  480]
......
 [   3    3 1923  480]]
⬆️ data.shape, (69, 4); data.dtype, [('f0', '<i8', (4,))]; type(data), <class 'numpy.ndarray'>

data[-1], ([   3,    3, 1923,  480],)
⬆️ type(data[-1]), <class 'numpy.void'>; data[-1].dtype, [('f0', '<i8', (4,))]
'''
  • np.array(DATA.tolist()).squeeze(axis=1)
data = np.array(DATA.tolist()).squeeze(axis=1)
'''
DATA.tolist()
[(array([   2,    2, 1920,  480]),), ..., (array([   3,    3, 1923,  480]),)]
⬆️ type(DATA.tolist()), <class 'list'>

np.array(DATA.tolist())
[[[   2    2 1920  480]]

 [[   1    3 1923  480]]
....

 [[   3    3 1923  480]]]
⬆️ np.array(DATA.tolist()).shape, (69, 1, 4); np.array(DATA.tolist()).dtype, int64; type(np.array(DATA.tolist())), <class 'numpy.ndarray'>; 

np.array(DATA.tolist()).squeeze(axis=1)
[[   2    2 1920  480]
 [   1    3 1923  480]
......
 [   3    3 1923  480]]
⬆️ np.array(DATA.tolist()).squeeze(axis=1).shape, (69, 4); np.array(DATA.tolist()).squeeze(axis=1).dtype, int64; 
type(np.array(DATA.tolist()).squeeze(axis=1))，<class 'numpy.ndarray'>
'''

data = np.array(DATA.tolist()).squeeze(axis=1)
'''
[[   2    2 1920  480]
 [   1    3 1923  480]
......
 [   3    3 1923  480]]
⬆️ np.array(DATA.tolist()).squeeze(axis=1).shape, (69, 4); 
  np.array(DATA.tolist()).squeeze(axis=1).dtype, int64; 
  type(np.array(DATA.tolist()).squeeze(axis=1))，<class 'numpy.ndarray'>
'''

清洗

获取全部坐标

以[2, 2, 1920, 480]为例，[2, 2, 1920]对应坐标系中的[x, z, y]，我们只在意第0、1、2列。而此处有3列。为达到目的，可以使用np.hsplit3和[:, 0:3]4来进行数组的切片。

X, Y, Z = np.hsplit(data[:, 0:3], 3)
'''
[[2]
 ...
 [3]]
⬆️ X.shape, (69, 1)

[[2]
 ...
 [3]]
⬆️ Y.shape, (69, 1)

[[1920]
 ...
 [1923]]
⬆️ Z.shape, (69, 1)
'''

如果试图切割数组的所有列为单独的数组，
x, y, z, m = np.hsplit(data, data.shape[1])


筛选特定坐标

以[ 7 3 1923 480]为例，对应坐标系中的[7, 3, 1923]，我们只在意坐标集中x为7的坐标，因此为达到目的可以使用np.where(condition, x, y)56来对数组进行筛选。

x7 = data[np.where(data[:, 0]==7)]
'''
[[   7    3 1923  480]
     ...
 [   7    1 1921  480]]
⬆️ x7.shape, (9, 4); x7.dtype, int64; type(x7), <class 'numpy.ndarray'>
'''

x7x, x7y, x7z = np.hsplit(x7[:, 0:3], 3)
'''
[[7]
 ......
 [7]]
⬆️ x7x.shape, (9, 1)

[[3]
 ......
 [1]]
⬆️ x7y.shape, (9, 1)

[[1923]
 ......
 [1921]]
⬆️ x7z.shape, (9, 1)
'''

数据3D可视化

此部分使用清洗中给出的示例数据介绍如何将数据实现3D可视化。

引入所需的库，

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

3D可视化的实现可参考7’ 8’ 9’ 10

散点图

在这里插入图片描述


单图

fig = plt.figure(figsize=(6, 6))
ax = plt.axes(projection='3d')
                                                                                        # [7, y, z, ID]
i = 7
xi = data[np.where(data[:, 0] == i)]
xix, xiy, xiz = np.hsplit(xi[:, 0:3], 3)
ax.scatter3D(xix, xiy, xiz, s=40, c=xiz, marker='o', alpha=0.8, edgecolor='white')
                                                                                        # ticks
tickls, tickc = 5, 'black'
xmin, xmax = data[:, 0].min(), data[:, 0].max()
ymin, ymax = data[:, 1].min(), data[:, 1].max()
zmin, zmax = data[:, 2].min(), data[:, 2].max()
ax.set_xlim(xmin=xmin-1, xmax=xmax+1)
ax.set_xticklabels(range(xmin-1, xmax+1, 1), color=tickc)
ax.tick_params(axis='x', labelsize=tickls)
ax.set_ylim(bottom=ymin - 1, top=ymax + 1)
ax.set_yticklabels(range(ymin - 1, ymax + 1, 1), color=tickc)
ax.tick_params(axis='y', labelsize=tickls)
ax.set_zlim(bottom=zmin - 1, top=zmax + 1)
ax.set_zticklabels(range(zmin - 1, zmax + 1, 1), color=tickc)
ax.tick_params(axis='z', labelsize=tickls)
                                                                                        # test
for idx in range(xi.shape[0]):
    ax.text(x=xix[idx][0], y=xiy[idx][0], z=xiz[idx][0], s=xi[idx][1:3], zdir='x', fontsize=5)
                                                                                        # labels
labelfd = {'size': 8, 'color': 'black'}
ax.set_xlabel('X', fontdict=labelfd)
ax.set_ylabel('Y', fontdict=labelfd)
ax.set_zlabel('Z', fontdict=labelfd)
                                                                                        # title
ax.set_title(f"x={i}", loc='left', fontsize=8)
plt.suptitle("Single(x=7)", x=0.5, y=0.92, fontsize=16, color='red')
plt.savefig("NumPy_Ex1_3Dscatter_Single(x=7).png", dpi=300)

效果图如下所示：
在这里插入图片描述

多子图

fig = plt.figure(figsize=(12, 12))
for i in range(8):
    ax = fig.add_subplot(2, 4, i+1, projection='3d')                                    # create subplot
    x7 = data[np.where(data[:, 0] == 7)]
    x7x, x7y, x7z = np.hsplit(x7[:, 0:3], 3)                                            # [0~7, y, z, ID]
    ax.scatter3D(x7x, x7y, x7z, s=40, c=x7z, marker='o')
                                                                                        # ticks
    tickls, tickc = 5, 'black'
    xmin, xmax = data[:, 0].min(), data[:, 0].max()
    ymin, ymax = data[:, 1].min(), data[:, 1].max()
    zmin, zmax = data[:, 2].min(), data[:, 2].max()
    ax.set_xlim(xmin=xmin - 1, xmax=xmax + 1)
    ax.set_xticklabels(range(xmin - 1, xmax + 1, 1), color=tickc)
    ax.tick_params(axis='x', labelsize=tickls)
    ax.set_ylim(bottom=ymin - 1, top=ymax + 1)
    ax.set_yticklabels(range(ymin - 1, ymax + 1, 1), color=tickc)
    ax.tick_params(axis='y', labelsize=tickls)
    ax.set_zlim(bottom=zmin - 1, top=zmax + 1)
    ax.set_zticklabels(range(zmin - 1, zmax + 1, 1), color=tickc)
    ax.tick_params(axis='z', labelsize=tickls)
                                                                                       # annotation
    for idx in range(x7.shape[0]):
        ax.text(x=x7x[idx][0], y=x7y[idx][0], z=x7z[idx][0], s=x7[idx][1:3], zdir='x', fontsize=3)
                                                                                       # labels
    labelfd = {'size': 8, 'color': 'black'}
    ax.set_xlabel('X', fontdict=labelfd)
    ax.set_ylabel('Y', fontdict=labelfd)
    ax.set_zlabel('Z', fontdict=labelfd)
                                                                                       # title
    ax.set_title(f"x={7}", loc='right', fontsize=8)
    plt.suptitle("x=7", x=0.5, y=0.88, fontsize=16, color='red')
plt.savefig("8*Subplots(x=7).png", dpi=300)

效果图如下所示：
在这里插入图片描述

参考链接

%数据处理

% 画图

% 注释

%坐标轴

% 图例

%标题

% 保存

  1. python – numpy.void类型 – 如何使用它？ ↩︎

  2. Extract an ndarray from a np.void array ↩︎

  3. numpy——hsplit函数、vsplit函数、array_split函数 ↩︎

  4. Numpy 笔记(二): 多维数组的切片(slicing)和索引(indexing) ↩︎

  5. numpy.where() 用法详解 ↩︎

  6. numpy ndarray 按条件筛选数组，关联筛选 ↩︎

  7. 使用Matplotlib绘制3D图形 ↩︎

  8. Python三维绘图–Matplotlib ↩︎

  9. python matplotlib 图像可视化 一 (论文画图参考) ↩︎ ↩︎

  10. matplotlib点线 坐标刻度 3D图绘制(六) ↩︎

  11. Text annotations in 3D ↩︎

  12. Matplotlib 标记散点 ↩︎

  13. Matplotlib中annotate详解 ↩︎

  14. Change Font Size in Matplotlib ↩︎

  15. matplotlib画3D图形时设置z轴尺寸 ↩︎

  16. python设置坐标轴刻度值字体大小，刻度值范围，标签大小 ↩︎

  17. Matplotlib入门-2-坐标轴axis/axes设置 ↩︎

  18. Matplotlib中修改坐标轴刻度线的属性 ↩︎

  19. 如何在 Matplotlib 中设置刻度标签 xticks 字体大小 ↩︎

  20. matplotlib之pyplot模块之标题（title()和suptitle()） ↩︎

  21. 【Python】解决使用 plt.savefig 保存图片时一片空白 ↩︎

  22. python在for循环中绘制多个3D子图 ↩︎

  23. 5.Matplotlib绘图之3D图，subplot子图（多图合一），动态图 ↩︎

MissMango0820
关注
  • 1
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python 3D散点图
weixin_46335969的博客
03-17 390
3D散点图
Python数据处理之数据可视化（二维、三维）
热门推荐
weixin_46287157的博客
05-28 1万+
Python绘制二维三维图形将数据可视化
探索数据之美：NPYViewer 1.28 —— NumPy数组可视化利器
最新发布
gitblog_00073的博客
06-13 461
探索数据之美：NPYViewer 1.28 —— NumPy数组可视化利器 项目地址:https://gitcode.com/csmailis/NPYViewer 在深度学习和数据分析领域，NumPy数组作为基础的数据结构，扮演着至关重要的角色。然而，面对大量的.npy文件时，如何快速直观地查看其内容并进行初步的分析呢？这就是NPYViewer 1.28 的价值所在。这款强大的图形用户界面工具，提...
Python VTK numpy数据3D可视化
Pandako's Blog
08-23 8544
在Python的3D图像处理中，通常用numpy array来进行非常方便的计算或者转化，这里记录一下numpy数据的VTK可视化基本流程，包括面绘制（Surfase Rendering）和体绘制（Volume Rendering）。除去数据格式转化，面绘制和体绘制在C++中也是类似的处理方法。 numpy数据转成vtkImageData 首先得把numpy数据转成vtk里可以用的格式：numpy array -> vtkIImageData。这里的numpy array是一个离散的三维空间数据场，0
python 3D numpy数组可视化 医学图像
CodeWorld
03-23 2063
python 3D numpy数组可视化 医学图像mayavi用法效果 mayavi 首先pip install mayavi， 然后提示运行会报错，提示需要安装其他库，那么继续pip即可，例如需要pip pyqt5 用法 from mayavi import mlab #自行导入你的3D图像数组 img = load(....) mlab.contour3d(img) # img.shape = C*H*W mlab.show() 效果 运行代码后会弹出一个单独的窗口显示图像，这可能就是需要安装pyq
python里使用正则的findall函数
大坡3D软件开发
10-07 6053
在前面学习了正则的search()函数，这个函数可以找到一个匹配的字符串返回，但是想找到所有匹配的字符串返回，怎么办呢？其实得使用findall()函数。如下例子：#python 3. 6 #蔡军生 #http://blog.csdn.net/caimouse/article/details/51749579 # import re text = 'abbaaabbbbaaaaa' patt
Python生成3D图，饼图，合图，散点图，折线图，柱状图
01-26
Python生成3D图，饼图，合图，散点图，折线图，柱状图
数据可视化-Matplotlib绘制拟合散点图
04-22
在众多的数据可视化库中，Python的Matplotlib是基础且强大的工具之一，它提供了丰富的图表类型，包括散点图和拟合曲线。本教程将重点讲解如何使用Matplotlib绘制拟合散点图。 首先，我们需要导入必要的Python库。...
python+numpy+基础数据分析+可视化
04-10
总之，"python+numpy+基础数据分析+可视化"涵盖了Python数据分析的核心技能，从数据处理到可视化，每一步都是数据分析工作流程中必不可少的部分。通过深入学习和实践，你可以有效地处理和理解各种类型的数据，为后续...
数据可视化-基于Python+k均值聚类的音乐数据可视化.zip
04-03
在这个项目中，我们重点关注的是如何利用Python编程语言和k均值聚类算法来实现音乐数据的可视化。Python是一种广泛应用于数据分析和可视化的语言，拥有丰富的库支持，如Matplotlib、Seaborn和Pandas等。而k均值聚类...
数据可视化-Matplotlib绘制面积图
04-23
此外，Matplotlib还支持其他类型的数据可视化，如折线图、散点图、直方图、饼图等，以及更复杂的高级功能，如子图、自定义轴、动画等。在实际应用中，根据数据特性和分析目的，可以选择最适合的可视化方法来呈现数据...
matplotlib在python上绘制3D散点图实例详解
09-21
主要介绍了matplotlib在python上绘制3D散点图实例详解，首先介绍了官网的实例，然后分享了本文简单代码示例，具有一定借鉴价值，需要的朋友可以了解下。
python学习使用数据-可视化案例数据-折线图数据
04-06
在数据可视化领域，Python有许多强大的库，如Matplotlib、Seaborn、Plotly等，它们为创建各种图表提供了丰富的功能，包括我们今天要讨论的重点——折线图。 折线图是展示数据趋势和变化的常用图表类型，适用于时间...
python数据处理：NumPy基础
weixin_30362083的博客
07-17 205
python数据处理：NumPy基础 本文资料来自：Python for Data Analysis， Chapter 4 文中实例查看地址：http://nbviewer.jupyter.org/github/RZAmber/for_blog/blob/master/learn_numpy.ipynb 1. NumPy简介 NumPy...
python切片命令_python – numpy中的3D切片系列
weixin_28773055的博客
02-10 360
我实际编写代码来完成我认为你正在寻找的东西,看看这是否有帮助：import numpy as npimport pylabclass plotter:def __init__(self, im, i=0):self.im = imself.i = iself.vmin = im.min()self.vmax = im.max()self.fig = pylab.figure()pylab.gray...
python 3D数据可视化(一)
YZK6666的博客
02-03 9997
在Python中使用matplotlib绘制3D图像
【Python】npy 格式深度图可视化
【人工智障 | 计算鸡视觉 | 机器孩】
10-24 2719
【代码】【Python】npy 格式深度图可视化。
open3d读取可视化npy文件
zyoung17的博客
06-25 3592
open3d不支持npy后缀的文件，仅支持如下格式的文件。 图片来源：https://mp.weixin.qq.com/s/NomNV6Yan8K2qisiPhQIRw 【解决方法】先用numpy读取这个文件保存为txt格式，在使用open3d读取进行可视化。代码如下： import open3d as o3d import numpy as np np.set_printoptions(suppress=True) # 取消默认科学计数法，open3d无法读取科学计数法表示 data = np.load
python利用open3d可视化npy文件
qq_37534947的博客
02-28 5314
文章目录1.可视化代码2.代码分析3.可视化txt文件 pcd点云的存储形式一共有两种，分别是binary和ascll码的形式，其详解见https://blog.csdn.net/qq_37534947/article/details/107187907 前期准备： open3d的安装： pip install open3d pip install open3d-python==0.7.0.0 （这个必须有） 1.可视化代码 #coding=utf-8 import open3d as o3
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值