Python数据分析(Matplotlib)之3D图形

能够使用Matplotlib构建的3D图形示例：

 导入相关包：

from mpl_toolkits.mplot3d.axes3d import Axes3D

 生成数据，并进行相关绘图

绘制3维的散点图，代码如下：

#绘制3维的散点图
x = np.random.randint(0,10,size=100)
y = np.random.randint(-20,20,size=100)
z = np.random.randint(0,30,size=100)

# 此处fig是二维
fig = plt.figure()

# 将二维转化为三维
axes3d = Axes3D(fig)

# axes3d.scatter3D(x,y,z)
# 效果相同
axes3d.scatter(x,y,z)

得到的效果如下图：

绘制三维的线形图，代码如下：

# 绘制三维的线性图
x = np.linspace(0,20,1000)

y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize=(8,6))

axes3d = Axes3D(fig)

axes3d.plot(x,y,z)

plt.xlabel('X',size = 30)
plt.ylabel('Y',size = 30)
axes3d.set_zlabel('Z',color = 'r',size=30)

axes3d.set_yticks([-1,0,1])
axes3d.set_yticklabels(['min',0,'max'])

得到的线性图如下：

绘制三维柱状图，代码如下：

# 绘制三维柱状图
fig = plt.figure(figsize=(12,9))

axes3d = Axes3D(fig)


zs = [1,5,10,15,20]

for z in zs:
    x = np.arange(0,10)
    y = np.random.randint(0,30,size =10)
    axes3d.bar(x,y,zs = z,zdir = 'x',color=['r','green','yellow','purple'])

其中方法bar()中的相关参数示例如下：（此处根据tab键提示得出）

plt.bar()
# bar(x, height, *, align='center', **kwargs)
# bar(x, height, width, *, align='center', **kwargs)
# bar(x, height, width, bottom, *, align='center', **kwargs)

执行得到3维柱状图：

# 绘制三维曲面
fig = plt.figure()

axes3d = Axes3D(fig)

#!！面
x = np.linspace(-10,10,100)
y = np.linspace(-10,10,100)

X,Y = np.meshgrid(x,y)
Z = np.sqrt(X**2+Y**2)

axes3d.plot_surface(X,Y,Z)

 得到3维曲面的效果图：

其中，我们需要关注的是numpy中的meshgrid函数，numpy官方文档meshgrid函数帮助文档：numpy官方文档meshgrid函数帮助文档

从坐标向量返回坐标矩阵。

在给定一维坐标数组x1，x2，...，xn的情况下，使ND坐标数组用于ND网格上的ND标量/矢量场的矢量化评估。

在版本1.9中更改：允许1-D和0-D情况。

参数：	x1，x2，...，xn：array_like 表示网格坐标的一维数组。 索引：{'xy'，'ij'}，可选 笛卡尔（'xy'，默认值）或矩阵（'ij'）输出索引。有关详细信息，请参阅Notes。 版本1.7.0中的新功能。 稀疏：bool，可选 如果为True，则返回稀疏网格以节省内存。默认值为False。 版本1.7.0中的新功能。 copy：bool，可选 如果为False，则返回原始数组的视图以节省内存。默认为True。请注意， 可能会返回非连续数组。此外，广播阵列的多于一个元素可以指代单个存储器位置。如果需要写入数组，请先进行复制。sparse=False, copy=False 版本1.7.0中的新功能。
返回：	X1，X2，...，XN：ndarray 对于具有长度的向量x1，x2，...，'xn'，如果indexing ='ij'则Ni=len(xi)返回形状数组或者如果indexing ='xy'则返回形状数组，其中xi元素重复以沿x1的第一维填充矩阵，第二个用于x2，依此类推。(N1, N2, N3,...Nn)(N2, N1, N3,...Nn)

若还是不能理解，可以多找找相关示例进行深度学习

绘制混合图形，本质也就是将2种图形的编码进行组合，放在同一三维模型中，相关代码如下：

# 绘制混合图形
# 绘制三维曲面
fig = plt.figure()

axes3d = Axes3D(fig)

#!！面
x = np.linspace(-10,10,100)
y = np.linspace(-10,10,100)

X,Y = np.meshgrid(x,y)
Z = np.sqrt(X**2+Y**2)

axes3d.plot_surface(X,Y,Z)

x = np.linspace(10,30)
y = np.sin(x)
z = np.cos(x)
axes3d.plot(x,y,z,color = 'r')

 得到如下效果图：

在完成基础3D图形的绘制后，再学习等高线，这一点我也不是特别熟悉，只能提供自己练习的代码：

# 绘制等高线
# 绘制面
from mpl_toolkits.mplot3d import axes3d

X,Y,Z = axes3d.get_test_data()

fig = plt.figure(figsize=(8,8))
axes3 = Axes3D(fig)

# 出现图形
axes3.plot_surface(X,Y,Z)

# 绘制等高线
axes3.contour(X,Y,Z,zdir = 'x',offset = -50)

最终显示的等高线如图：