10. Matplotlib 数据可视化

使用 Matplotlib 生成数据图

Matplotlib 是一个非常优秀的 Python 2D 绘图库，只要给出符合格式的数据，通过 Matplotlib 就可以方便地制作折线图，柱状图，散点图等各种高质量的数据图

安装 Matplotlib 包

pip install matplotlib

安装完成后 通过 pydoc 来查看 Matplotilb 包的文档，命令行窗口运行

python -m pydoc -p 8899
运行命令之后，打开浏览器查看 http://localhost:8899/ 页面

Matplotlib 数据图入门(简单折线图)

简单折线图

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
# 第一个列表代表横坐标的值，第二个列表代表纵坐标的值
plt.plot(x_data, y_data)
plt.show()  # 调用 show() 显示图形

如果在调用 plot() 函数时只传入一个 list 列表，该 list 列表的数据将作为 Y 轴数据，Matplotlib 会自动使用 0，1，2，3 作为 X 轴数据

使用默认的 X 轴数据

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
# 第一个列表代表横坐标的值，第二个列表代表纵坐标的值
plt.plot(y_data)
plt.show()  # 调用 show() 显示图形

plot() 函数除了支持创建具有单条折线的折线图，也支持创建包含多条折线的复式折线图
只要在调用 plot() 函数时传入多个分别代表 X 轴 和 Y 轴数据的 list 数据即可

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]
# 传入两组分别代表 X轴， Y轴数据的 list 列表
plt.plot(x_data, y_data, x_data, y_data2)

# 还可以通过多次调用 plot() 函数来生成多条折线图
# plt.plot(x_data, y_data)
# plt.plot(x_data, y_dy_data2ata)


plt.show()  # 调用 show() 显示图形

调用 plot() 函数时还可以传入额外的参数来指定折线图的样子，如线宽，颜色，样式等

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]
# 传入两组分别代表 X轴， Y轴数据的 list 列表
plt.plot(x_data, y_data, color='red', linewidth=2.0, linestyle='--')
plt.plot(x_data, y_data2, color='blue', linewidth=3.0, linestyle='-.')

# 还可以通过多次调用 plot() 函数来生成多条折线图
# plt.plot(x_data, y_data)
# plt.plot(x_data, y_dy_data2ata)


plt.show()  # 调用 show() 显示图形

管理图例(标签)

对于复试折线图来说，应该为每条折线图都添加图例，此时可通过 legend() 函数来实现
对于该函数可传入两个 list 参数
第一个 list(handles 参数)用于引用折线图上的每条折线
第二季 list(labels) 代表为每条折线所添加的图例

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

# 指定折线的颜色，线宽和样式
ln1, = plt.plot(x_data, y_data, color='red', linewidth=2.0, linestyle='--')
ln2, = plt.plot(x_data, y_data2, color='blue', linewidth=3.0, linestyle='-.')

# 调用 legend() 函数设置图例
plt.legend(handles=[ln1, ln2], labels=['Android', 'Java'], loc='lower right')

plt.show()  # 调用 show() 显示图形

loc参数支持指定图例的添加位置，该参数支持如下参数值

参数	描述
‘best’	自动选择最佳位置
‘upper right’	将图例放在右上角
‘upper left’	将图例放在左上角
‘lower left’	将图例放在左下角
‘lower right’	将图例放在右下角
‘right’	将图例放在右边
‘center left’	将图例放在右边居中的位置
‘center right’	将图例放在右边居中的位置
‘lower center’	将图例放在底部居中的位置
‘upper center’	将图例放在顶部居中的位置
‘center’	将图例放在中心

Matplotlib 也允许在调用 plot() 函数时为每条折线分别传入 label 参数
程序在调用 legend() 函数时就无需传入 labels，handles 参数

import matplotlib.pyplot as plt

# 定义两个列表分别作为 X轴，Y轴数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

# 指定折线的颜色，线宽和样式
ln1, = plt.plot(x_data, y_data, color='red', linewidth=2.0, linestyle='--', label='Android')
ln2, = plt.plot(x_data, y_data2, color='blue', linewidth=3.0, linestyle='-.', label='Java')

# 调用 legend() 函数设置图例
plt.legend(loc='best')
plt.show()  # 调用 show() 显示图形

管理坐标轴

可以调用 xlable() 和 ylabel() 函数分别设置 X 轴，Y 轴的名称，
也可以通过 title() 函数设置整个数据图的标题
还可以调用 xticks()，yticks() 函数分别改变 X轴，Y轴的刻度值（允许使用文本作为刻度值）

如下程序为数据添加了名称，标题和坐标轴刻度值

import matplotlib.pyplot as plt

x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
# 定义两个列表分别作为两条折线的 Y 轴数据
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

# 指定折线颜色，线宽和样式
plt.plot(x_data, y_data, color='red', linewidth=2.0, linestyle='--', label='Java')
plt.plot(x_data, y_data2, color='blue', linewidth=3.0, linestyle='-', label='Android')
plt.legend(loc='best')

# 设置两个坐标轴的名称
plt.xlabel("years")
plt.ylabel("sales")

# 设置数据图的标题
plt.title('Annual sales volume')

# 设置 Y 轴上的数值文本
# 第一个参数是点的位置，第二个参数是点的文字提示
plt.yticks([50000, 70000, 100000], ['Very good', 'excellent', 'Hot and explosive'])
plt.show()

如果要对 X 轴，Y 轴进行更细致的控制，则可调用 gca() 函数来获取坐标轴信息对象，然后对坐标轴进行控制

比如控制坐标轴上刻度值的位置和坐标轴的位置等

import matplotlib.pyplot as plt

x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
# 定义两个列表分别作为两条折线的 Y 轴数据
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

# 指定折线颜色，线宽和样式
plt.plot(x_data, y_data, color='red', linewidth=2.0, linestyle='--', label='Java')
plt.plot(x_data, y_data2, color='blue', linewidth=3.0, linestyle='-', label='Android')
plt.legend(loc='best')

# 设置两个坐标轴的名称
plt.xlabel("years")
plt.ylabel("sales")

# 设置数据图的标题
plt.title('Annual sales volume')

# 设置 Y 轴上的数值文本
# 第一个参数是点的位置，第二个参数是点的文字提示
plt.yticks([50000, 70000, 100000], ['Very good', 'excellent', 'Hot and explosive'])

ax = plt.gca()
# 设置将 X 轴的刻度值放在底部 X 轴上
ax.xaxis.set_ticks_position('bottom')
# 设置 Y 轴的刻度值放在左边 Y 轴上
ax.yaxis.set_ticks_position('left')
# 设置右边坐标轴的颜色(设置为 none 表示不显示)
ax.spines['right'].set_color('none')
# 设置顶部坐标轴线的颜色(设置为 none 表示不显示)
ax.spines['top'].set_color('none')
# 定义底部坐标轴线的位置(放在 7000 数值处)
ax.spines['bottom'].set_position(('data', 70000))

plt.show()

管理多个子图

Matplotlib 除可以生成包含多条折线的复式折线图之外，它还允许在一张数据图上包含多个子图

调用 subplot() 函数可以创建一个子图
程序就可以在子图上进行绘制
subplot(nrows, ncols,index, **kwargs) 函数
nrows 参数指定将数据图区域分成多少行
ncols 参数指定将数据图区域分成多少列
index 参数指定获取第几个区域

import matplotlib.pyplot as plt
import numpy as np

plt.figure()
# 定义从 -pi 到 pi 之间的数据，平均 64 个数据点
x_data = np.linspace(-np.pi, np.pi, 64, endpoint=True)
# 将整个 figure 分成两行两列，第三个参数表示将该图形放在第 1 个网格中
plt.subplot(2, 2, 1)

# 绘制正弦曲线
plt.plot(x_data, np.sin(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Sine curve')  # 正弦曲线

# 将整个 figure 分成两行两列，并将该图形放在第 2 个网格中
plt.subplot(222)
# 绘制余弦曲线
plt.plot(x_data, np.cos(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['right'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Cosine curve')  # 余弦曲线

# 将整个 figure 分成两行两列，并将该图形放在第 3 个网格中
plt.subplot(223)
# 绘制正切曲线
plt.plot(x_data, np.tan(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['right'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Tangent curve')  # 正切曲线

plt.show()

注意修改的位置

import matplotlib.pyplot as plt
import numpy as np

plt.figure()
# 定义从 -pi 到 pi 之间的数据，平均 64 个数据点
x_data = np.linspace(-np.pi, np.pi, 64, endpoint=True)
# 将整个 figure 分成两行两列，第三个参数表示将该图形放在第 1 个网格中
plt.subplot(2, 1, 1)  # 修改的位置

# 绘制正弦曲线
plt.plot(x_data, np.sin(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Sine curve')  # 正弦曲线

# 将整个 figure 分成两行两列，并将该图形放在第 2 个网格中
plt.subplot(223)  # 修改的位置
# 绘制余弦曲线
plt.plot(x_data, np.cos(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['right'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Cosine curve')  # 余弦曲线

# 将整个 figure 分成两行两列，并将该图形放在第 3 个网格中
plt.subplot(224)  # 修改的位置
# 绘制正切曲线
plt.plot(x_data, np.tan(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['right'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Tangent curve')  # 正切曲线

plt.show()

功能丰富的数据图

饼状图

Matplotlib 提供 pie() 函数来绘制饼状图

import matplotlib.pyplot as plt

# 准备数据
data = [0.16881, 0.14966, 0.07471, 0.06992, 0.04762, 0.03541, 0.02925, 0.2411, 0.02316, 0.01409, 0.36326]
# 准备标签
labels = ['Java', 'C', 'C++', 'Pytho', 'Visual Basic .NET', 'C#', 'PHP', 'JavaScript', 'SQL', 'Assembly langugage','其他']

# 将排在第 4 位的语言(Python)分离出来
explode = [0, 0, 0, 0.3, 0, 0, 0, 0, 0, 0, 0]
# 使用自定义颜色
colors = ['red', 'pink', 'magenta', 'purple', 'orange']

# 将横，纵坐标轴标准化处理，保证饼图是一个正圆，否则位椭圆
plt.axes(aspect='equal')

# 控制 X轴 和 Y轴的范围（用于控制饼状图的圆心，半径）
plt.xlim(0, 8)
plt.ylim(0, 8)

# 绘制饼图
plt.pie(x=data,  # 绘制数据
        labels=labels,  # 添加编程语言标签
        explode=explode,  # 突出显示 Python
        colors=colors,  # 设置饼图的自定义填充色
        autopct='% .3f%%',  # 设置百分比的格式，此处保留 3 位小数
        pctdistance=0.8,  # 设置百分比标签于圆心的距离
        startangle=180,  # 设置饼图的初始角度
        center=(4, 4),  # 设置饼图圆心（相当于 x轴 和 y轴的范围）
        radius=3.8,  # 设置饼图的半径(相当于 X轴 和 Y轴的范围)
        counterclock=False,  # 是否为逆时针方向,这里设置为顺时针方向
        wedgeprops={'linewidth': 1, 'edgecolor': 'green'},  # 设置饼图内外边界的属性值
        textprops={'fontsize': 12, 'color': 'black'},  # 设置文本属性标签
        frame=1  # 是否显示饼图的圆圈，此处设置为显示
        )
plt.xticks(())
plt.yticks(())

# 添加图形标题
plt.title('2018 年 8 月的编程语言指数排行榜')
# 显示图形
plt.show()

柱状图

使用 Matplotil 提供的 bar() 函数来绘制柱状图， 于 plot(0 函数类似
程序每次调用 bar() 函数时都会生成一组柱状图，(生成多次柱状图，可通过多次调用 bar() 函数来实现)

import matplotlib.pyplot as plt
import numpy as np


# 构建数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 62000, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

# 绘图
plt.bar(x=x_data, height=y_data, label='Java', color='steelblue', alpha=0.8)
plt.bar(x=x_data, height=y_data2, label='Android', color='indianred', alpha=0.8)

# 在柱状图上显示具体的数值，ha 参数控制水平对齐方式， va 参数控制垂直对齐方式
for x, y in enumerate(y_data):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')

for x, y in enumerate(y_data2):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')

# 设置标题
plt.title('Java and Android')

# 为两个坐标轴设置名称
plt.xlabel('year')
plt.ylabel('salesVolume')
# 显示图例
plt.legend()
plt.show()

将多个柱状的条柱并列显示
为了精确控制条柱的宽度，可以在调用 bar() 函数时传入 width 参数，这样可以更好地计算条柱的并列方式

import matplotlib.pyplot as plt
import numpy as np


# 构建数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 62000, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

bar_width = 0.3
# 将 X 轴数据改为使用 range(len(x_data)), 就是 0, 1, 2
plt.bar(x=range(len(x_data)), height=y_data, label='Java', color='steelblue', alpha=0.8, width=bar_width)

# 将 X 轴数据改为使用 np.arange(len(x_data))+bar_width
# 就是 bar_width, 1+bar_width, 2+bar_width... 这样就和第一个柱状图并列了
plt.bar(x=np.arange(len(x_data)) + bar_width, height=y_data2, label='Android', color='indianred', alpha=0.8, width=bar_width)

# 在柱状图上显示具体的数值，ha 参数控制水平对齐方式， va 参数控制垂直对齐方式
for x, y in enumerate(y_data):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')

for x, y in enumerate(y_data2):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')

# 设置标题
plt.title('Java and Android')

# 为两个坐标轴设置名称
plt.xlabel('year')
plt.ylabel('salesVolume')
# 显示图例
plt.legend()
plt.show()

水平柱状图

调用 Matplotlib 的 barh() 函数可以生成水平柱状图
barh() 函数的用法于 bar() 函数的用法基本一样，
调用 barh() 函数时使用 y 参数传入 Y 轴数据，使用 width 参数传入代表条柱宽度的数据

import matplotlib.pyplot as plt
import numpy as np

# 构建数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 62000, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500, 58300, 56800, 59500, 62700]

bar_width = 0.3
# 将 Y 轴数据改为使用 range(len(x_data)), 就是 0, 1, 2
plt.barh(y=range(len(x_data)), width=y_data, label='Java', color='steelblue', alpha=0.8, height=bar_width)

# 将 Y 轴数据改为使用 np.arange(len(x_data))+bar_width
# 就是 bar_width, 1+bar_width, 2+bar_width... 这样就和第一个柱状图并列了
plt.barh(y=np.arange(len(x_data)) + bar_width, width=y_data2, label='Android', color='indianred', alpha=0.8,
         height=bar_width)

# 在柱状图上显示具体的数值，ha 参数控制水平对齐方式， va 参数控制垂直对齐方式
for x, y in enumerate(y_data):
    plt.text(x + 5000, y - bar_width / 2, '%s' % x, ha='center', va='bottom')

for x, y in enumerate(y_data2):
    plt.text(x + 5000, y + bar_width / 2, '%s' % x, ha='center', va='bottom')

# 设置标题
plt.title('Java and Android')

# 为两个坐标轴设置名称
plt.xlabel('year')
plt.ylabel('salesVolume')
# 显示图例
plt.legend()
plt.show()

散点图

散点图和折线图需要的数据非常相似，区别是折线图会将各个数据点连接起来
散点图则只是描绘各数据点，并不会将这些数据点连接起来

调用 Matplotib 的 scatter() 函数来绘制散点图，该函数支持如下常用参数

函数	描述
x	指定 X 轴数据
y	指定 Y 轴数据
s	指定散点的大小
c	指定散点的颜色
alpha	指定散点的透明度
linewidths	指定散点边框线的宽度
edgecolors	指定散点边框的颜色
marker	指定散点图的样式，该参数支持 ‘.’(点标记), ‘,’(像素标记), ‘o’(圆形标记), ‘v’(向下三角标记), ‘^’(向上三角标记), ‘<’(向左三角标记), ‘>’(向右三角标记), ‘1’(向下三叉标记), ‘2’(向上三叉标记), ‘3’(向左三叉标记), ‘4’(向右三叉标记), ‘s’(正方形标记), ‘p’(五边形标记), ‘*’(星形标记), ‘h’(八边形标记), ‘H’(另一种八边形标记), ‘+’(加号标记), ‘x’(x 标记), ‘D’(棱形标记), ‘d’(尖棱形标记), ’
camp	指定散点的颜色映射，会使用不同的颜色来区分散点的值

使用 scatter() 函数来绘制散点图

import matplotlib.pyplot as plt
import numpy as np

plt.figure()
# 定义从 -pi 到 pi 之间的数据, 平均取 64 个数据点
x_data = np.linspace(-np.pi, np.pi, 64, endpoint=True)
# 将整个 figure 分成两行两列，第三个参数表示将该图形放在第一个网格中
# 沿着正弦曲线绘制散点图
plt.scatter(x_data, np.sin(x_data), c='purple',  # 设置点颜色
            s=50,  # 设置点的半径
            alpha=0.5,  # 设置透明度
            marker='p',  # 设置使用五边形标记
            linewidths=1,  # 设置边框的宽度
            edgecolors=['green', 'yellow']  # 设置边框的颜色
            )

# 绘制第二个散点图（只包含一个起点），突出起点
plt.scatter(x_data[0], np.sin(x_data)[0], c='red',  # 设置点的颜色
            s=150,  # 设置点的半径
            alpha=1  # 设置透明度
            )

# 绘制第三个散点图（只包含一个结束点）突出结束点
plt.scatter(x_data[63], np.sin(x_data)[63], c='black', s=150, alpha=1)

plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Sine Curve Scatter Plot')  # 正弦曲线散点图
plt.show()

等高线图

等高线图需要的是三维数据，其中 X，Y 轴数据决定坐标点，还需要对应高度数据（相当于 Z 轴数据）来决定不同坐标点的高度
有了合适的数据后，程序调用 contour() 函数绘制等高线，调用 contourf() 函数为等高线图填充颜色

contour(), contourf() 函数可以指定如下常用参数

参数	描述
X	指定 X 轴数据
Y	指定 Y 轴数据
Z	指定 X, Y 坐标对应点的高度数据
colors	指定不同高度的等高线的颜色
alpha	指定等高线的透明度
cmap	指定等高线的颜色映射，即自动使用不同的颜色来区分不同高度区域
linewidths	指定等高线的宽度
linestyles	指定等高线的样式

使用 contour(), contourf() 函数来绘制等高线图

import matplotlib.pyplot as plt
import numpy as np

delta = 0.025
# 生成代表 X 轴数据的列表
x = np.arange(-3.0, 3.0, delta)
# 生成代表 Y 轴数据的列表
y = np.arange(-2.0, 2.0, delta)
# 对 x,y 数据进行网格化
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X ** 2 - Y ** 2)
z2 = np.exp(-(X - 1) ** 2 - (Y - 1) ** 2)
# 计算 Z 轴数据（高度数据）
z = (Z1 - z2) * 2

# 为等高线图填充颜色， 16指定将等高线分为几部分
plt.contourf(x, y, z, 16, alpha=0.75, cmap='rainbow')  # 使用颜色映射来区分不同高度的区域

# 绘制等高线
C = plt.contour(x, y, z, 16, colors='black', linewidth=0.5)

# 绘制等高线数据
plt.clabel(C, inline=True, fontsize=10)

# 去除坐标轴
plt.xticks(())
plt.yticks(())
# 设置标题
plt.title('Contour map')  # 等高线图
# 为两个坐标轴设置名称
plt.xlabel('latitude')  # 纬度
plt.ylabel('longitude')  # 经度
plt.show()

3D 图形

绘制 3D 图形，需要调用 Axes3D 对象的 plot_surface() 方法来完成

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

flg = plt.figure(figsize=(12, 8))
ax = Axes3D(flg)

delta = 0.125
# 生成代表 X 轴数据的列表
x = np.arange(-3.0, 3.0, delta)
# 生成代表 Y 轴数据的列表
y = np.arange(-2.0, 2.0, delta)
# 对 x, y 数据进行网格化
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X ** 2 - Y ** 2)
Z2 = np.exp(-(X - 1) ** 2 - (Y - 1) ** 2)
# 计算 Z 轴数据（高度数据）
Z = (Z1 - Z2) * 2
# 绘制 3D 图形
ax.plot_surface(X, Y, Z,
    rstride=1,  # rstride(row) 指定行的跨度
    cstride=1,  # cstride(column) 指定列的跨度
    cmap=plt.get_cmap('rainbow')  # 设置颜色映射
)
# 设置 z 轴范围
ax.set_zlim(-2, 2)
# 设置标题
plt.title('3D Photo')
plt.show()