У меня есть список из 3-х наборов, представляющих набор точек в 3D-пространстве. Я хочу построить поверхность, покрывающую все эти точки. Функция plot_surface в пакете mplot3d требует в качестве аргументов X, Y и Z, которые являются 2d-массивами. Является ли plot_surface правильной функцией для построения поверхности и как преобразовать мои данные в требуемый формат?
data = [(x1,y1,z1),(x2,y2,z2),.....,(xn,yn,zn)]
Для поверхностей это немного отличается от списка из трех кортежей, вы должны передать сетку для домена в 2d массивах.
Если все, что у вас есть, это список 3d-точек, а не какая-то функция f(x, y) → z, то у вас возникнет проблема, потому что существует несколько способов триангуляции этого 3d-облака точек на поверхности.
Вот пример с гладкой поверхностью:
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
# Axes3D import has side effects, it enables using projection='3d' in add_subplot
import matplotlib.pyplot as plt
import random
def fun(x, y):
return x**2 + y
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = y = np.arange(-3.0, 3.0, 0.05)
X, Y = np.meshgrid(x, y)
zs = np.array(fun(np.ravel(X), np.ravel(Y)))
Z = zs.reshape(X.shape)
ax.plot_surface(X, Y, Z)
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')
plt.show()
Я только наткнулся на эту же проблему. У меня есть равномерно распределенные данные, которые находятся в 3 1-D массивах вместо двухмерных массивов, которые требуется matplotlib plot_surface. Мои данные оказались в pandas.DataFrame, так что вот пример matplotlib.plot_surface с изменениями в построении 3 массивов 1-D.
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.ticker import LinearLocator, FormatStrFormatter
import matplotlib.pyplot as plt
import numpy as np
X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
fig = plt.figure()
ax = fig.gca(projection='3d')
surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm,
linewidth=0, antialiased=False)
ax.set_zlim(-1.01, 1.01)
ax.zaxis.set_major_locator(LinearLocator(10))
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.title('Original Code')
Это оригинальный пример. Добавление этого следующего бита создает один и тот же график из 3 1-D массивов.
# ~~~~ MODIFICATION TO EXAMPLE BEGINS HERE ~~~~ #
import pandas as pd
from scipy.interpolate import griddata
# create 1D-arrays from the 2D-arrays
x = X.reshape(1600)
y = Y.reshape(1600)
z = Z.reshape(1600)
xyz = {'x': x, 'y': y, 'z': z}
# put the data into a pandas DataFrame (this is what my data looks like)
df = pd.DataFrame(xyz, index=range(len(xyz['x'])))
# re-create the 2D-arrays
x1 = np.linspace(df['x'].min(), df['x'].max(), len(df['x'].unique()))
y1 = np.linspace(df['y'].min(), df['y'].max(), len(df['y'].unique()))
x2, y2 = np.meshgrid(x1, y1)
z2 = griddata((df['x'], df['y']), df['z'], (x2, y2), method='cubic')
fig = plt.figure()
ax = fig.gca(projection='3d')
surf = ax.plot_surface(x2, y2, z2, rstride=1, cstride=1, cmap=cm.coolwarm,
linewidth=0, antialiased=False)
ax.set_zlim(-1.01, 1.01)
ax.zaxis.set_major_locator(LinearLocator(10))
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.title('Meshgrid Created from 3 1D Arrays')
# ~~~~ MODIFICATION TO EXAMPLE ENDS HERE ~~~~ #
plt.show()
Вот результирующие цифры:
Вы можете читать данные прямо из какого-то файла и графика
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
from matplotlib import cm
import numpy as np
from sys import argv
x,y,z = np.loadtxt('your_file', unpack=True)
fig = plt.figure()
ax = Axes3D(fig)
surf = ax.plot_trisurf(x, y, z, cmap=cm.jet, linewidth=0.1)
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.savefig('teste.pdf')
plt.show()
При необходимости вы можете передать vmin и vmax, чтобы определить диапазон цветовой шкалы, например
surf = ax.plot_trisurf(x, y, z, cmap=cm.jet, linewidth=0.1, vmin=0, vmax=2000)
Мне было интересно, как сделать некоторые интерактивные графики, в данном случае с искусственными данными
from __future__ import print_function
from ipywidgets import interact, interactive, fixed, interact_manual
import ipywidgets as widgets
from IPython.display import Image
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits import mplot3d
def f(x, y):
return np.sin(np.sqrt(x ** 2 + y ** 2))
def plot(i):
fig = plt.figure()
ax = plt.axes(projection='3d')
theta = 2 * np.pi * np.random.random(1000)
r = i * np.random.random(1000)
x = np.ravel(r * np.sin(theta))
y = np.ravel(r * np.cos(theta))
z = f(x, y)
ax.plot_trisurf(x, y, z, cmap='viridis', edgecolor='none')
fig.tight_layout()
interactive_plot = interactive(plot, i=(2, 10))
interactive_plot
проверьте официальный пример. X, Y и Z действительно являются 2d массивами, numpy.meshgrid() - это простой способ получить 2d x, y сетку из значений 1d x и y.
http://matplotlib.sourceforge.net/mpl_examples/mplot3d/surface3d_demo.py
здесь pythonic способ конвертировать ваши 3-кортежи в 3 1d массивы.
data = [(1,2,3), (10,20,30), (11, 22, 33), (110, 220, 330)]
X,Y,Z = zip(*data)
In [7]: X
Out[7]: (1, 10, 11, 110)
In [8]: Y
Out[8]: (2, 20, 22, 220)
In [9]: Z
Out[9]: (3, 30, 33, 330)
Здесь mtaplotlib delaunay triangulation (interpolation), она преобразует 1d x, y, z в нечто совместимое (?):
http://matplotlib.sourceforge.net/api/mlab_api.html#matplotlib.mlab.griddata
В Matlab я сделал что-то подобное, используя функцию delaunay только для кодов x, y (а не z), а затем построим с помощью trimesh или trisurf, используя z как высота.
SciPy имеет класс Delaunay, который основан на той же базовой библиотеке QHull, что и функция Matlab delaunay, поэтому вы должны получить одинаковые результаты.
Оттуда, это должно быть несколько строк кода, чтобы преобразовать этот пример 3D-полигонов в примере python-matplotlib в то, что вы хотите достичь, поскольку delaunay дает вам спецификацию каждого треугольного многоугольника.
Для того, чтобы прослушивать, у Эмануэля был ответ, который я (и, вероятно, многие другие) ищу. Если у вас есть трехмерные рассеянные данные в 3 отдельных массивах, панды - невероятная помощь и работают намного лучше, чем другие варианты. Для разработки предположим, что ваши x, y, z - некоторые произвольные переменные. В моем случае это были c, гамма и ошибки, потому что я тестировал машину векторной поддержки. Есть много потенциальных вариантов для построения данных:
Каркасный график данных
3d разброс данных
Код выглядит так:
fig = plt.figure()
ax = fig.gca(projection='3d')
ax.set_xlabel('c parameter')
ax.set_ylabel('gamma parameter')
ax.set_zlabel('Error rate')
#ax.plot_wireframe(cParams, gammas, avg_errors_array)
#ax.plot3D(cParams, gammas, avg_errors_array)
#ax.scatter3D(cParams, gammas, avg_errors_array, zdir='z',cmap='viridis')
df = pd.DataFrame({'x': cParams, 'y': gammas, 'z': avg_errors_array})
surf = ax.plot_trisurf(df.x, df.y, df.z, cmap=cm.jet, linewidth=0.1)
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.savefig('./plots/avgErrs_vs_C_andgamma_type_%s.png'%(k))
plt.show()
Вот окончательный результат:
Невозможно напрямую создать трехмерную поверхность, используя ваши данные. Я бы порекомендовал вам построить модель интерполяции, используя некоторые инструменты, такие как pykridge. Процесс будет включать три этапа:
pykridgeX и Y используя meshgridZ Создав вашу сетку и соответствующие значения Z, теперь вы готовы перейти к plot_surface. Обратите внимание, что в зависимости от размера ваших данных, функция meshgrid может работать некоторое время. Обходной путь - создать равномерно распределенные выборки, используя np.linspace для осей X и Y, а затем применить интерполяцию, чтобы вывести необходимые значения Z Если это так, интерполированные значения могут отличаться от исходного Z потому что X и Y изменились.