Python数据分析 Anaconda发行版 Jupyter notebook 安装和文档 启动 运行机制 主界面 新建文档 工作界面 文档结构 编辑和命令模式 快捷键 执行和输出 Markdown单元 图片和视频 幻灯片 导出格式 魔法命令 Numpy 基础知识 数据类型 创建数组 数组运算 通用函数 索引切片迭代 添加删除去重 形状变换 堆积数组 分割数组 视图和复制 广播机制 花式索引 布尔索引 统计方法 随机数 Pandas Series DataFrame Index 重建索引 轴向上删除条目 索引和切片 算术和广播 函数和映射 排序和排名 统计和汇总 文件读取 分块读取 写出数据 JSON和Pickle HDF5 EXCEL文件 Web交互 数据库交互 删除缺失值 补全缺失值 删除重复值 替换 重命名轴索引 离散化和分箱 检测和过滤 随机和抽样 字符串操作 分层索引 分层索引进阶 合并连接 粘合与堆叠 重塑 Matplotlib 配置环境 使用常识 保存图形 两种图画接口 使用中文 线型图 颜色线型和标记 坐标轴上下限 坐标轴刻度 图题、轴标签和图例 配置图题 配置图例 颜色条 文本、箭头和注释 散点图 直方图 条形图 饼图 误差线 等高线 多子图 patch 自定义坐标轴刻度 风格样式展示 下一步

等高线

阅读: 4780     评论：0

我们经常在二维图上用等高线来表示三维数据，Matplotlib提供了三个函数来实现这一功能：

  • plt.contour: 绘制等高线
  • plt.contourf: 绘制带有填充色的等高线
  • plt.imshow: 显示图形
def f(x, y):
    return np.sin(x)**10 + np.cos(10 +y*x)*np.cos(x)

x = np.linspace(0,5,50)
y = np.linspace(0,5,40)

X, Y = np.meshgrid(x, y) # 使用两个一维数组构建一个二维数组
Z = f(X, Y)

plt.contour(X, Y, Z, colors='blue')

img

contour函数需要三个基本参数：x、y、z轴三个坐标轴的网格数据。x与y轴表示图形中的位置，而z轴通过等高线的等级来表示。

当图形中只使用一种颜色的时候，会使用虚线来表示负数，实线表示正数。

我们可以将数据范围等分，比如10份，然后设置camp参数定义一个线条颜色的配色方案，用不同的颜色表示等高线。

plt.contour(X, Y, Z, cmap='RdGy')
plt.colorbar()

img

RdGy是红-灰配色方案(Red-Gray)。Matplotlib有很多配色方案可选，都在plt.cm模块里，使用plt.cm.<tab>可以查看有哪些方案。

上面的图形里，线条之间的间隙比较大，可以通过contourf方法进行填充(注意方法名多了个f)：

plt.contourf(X, Y, Z, cmap='RdGy')
plt.colorbar()

img

我们还可以通过imshow方法，将二维数组渲染成渐变图：

plt.imshow(Z, extent=[0,5,0,5], origin='lower',cmap='RdGy')
plt.colorbar()
plt.axis(aspect='image')

img

  • imshow不支持使用x和y轴的数据设置网格，必须通过extend参数设置图形的坐标范围xmin、xmax，ymin、ymax
  • imshow默认使用标准的图形数组定义，原点位于左上角，类似浏览器。而不是绝大多数等高线的左下角
  • imshow会自动调整坐标轴的精度以适应数据显示。可以通过plt.axis(aspect='image')来设置x与y轴的单位。

最后，我们还可以使用clabel方法，将一幅背景半透明的彩色图与另一幅坐标相同、带数据标签的等高线叠放在一起，画出相当高端的图形：

contours = plt.contour(X,Y,Z,3,colors='black') # 分3级
plt.clabel(contours,inline=True, fontsize=8)  # 内部带数值文字

plt.imshow(Z, extent=[0,5,0,5], origin='lower',cmap='RdGy', alpha=0.5)
plt.colorbar()

img

现在你或许会有感悟，绘图画到最后，缺少的不是工具，而是创意灵感。

 误差线 多子图 

评论总数： 0

点击登录后方可评论