участки поверхности в matplotlib

Я только что столкнулся с этой же проблемой. У меня есть равномерно распределенные данные, которые находятся в 3 1-d массивах вместо 2-D массивов, которые matplotlib ' s plot_surface хочет. Мои данные оказались в pandas.DataFrame так вот matplotlib.plot_surface пример С модификациями для построения 3 1-D массивов.

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 классический пример. Добавление этого следующего бита создает тот же участок 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 результат цифры:

Я делаю это с некоторыми линиями в python, используя панд, сюжет прекрасен!

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
from matplotlib import cm
import numpy as np
import pandas as pd
from sys import argv

file = argv[1]

x,y,z = np.loadtxt(file, unpack=True)
df = pd.DataFrame({'x': x, 'y': y, 'z': z})

fig = plt.figure()
ax = Axes3D(fig)
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('teste.pdf')
plt.show()

при необходимости вы можете передать vmin и vmax для определения диапазона цветовой панели, например

surf = ax.plot_trisurf(df.x, df.y, df.z, cmap=cm.jet, linewidth=0.1, vmin=0, vmax=2000)

Регистрация официальный пример. X, Y и Z действительно 2d массивы, numpy.meshgrid () - это простой способ получить 2d X,Y mesh из 1d X и y значений.

http://matplotlib.sourceforge.net/mpl_examples/mplot3d/surface3d_demo.py

вот питонический способ преобразования 3-кортежей 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)

вот mtaplotlib Делоне триангуляции (интерполяции), он 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 с помощью на x,y только координаты (не z), то заговор с trimesh или trisurf, используя z как высота.

составляющей имеет Делоне класс, который основан на той же базовой библиотеке QHull, что и Matlab delaunay функция есть, поэтому вы должны получить одинаковые результаты.

оттуда должно быть несколько строк кода для преобразования этого построение 3D Полигоны в python-matplotlib пример в том, что вы хотите достичь, как Delaunay дает вам спецификацию каждого треугольного полигона.

просто чтобы вмешаться, у Эмануэля был ответ, который я (и, вероятно, многие другие) ищу. Если у вас есть 3D-разбросанные данные в 3 отдельных массивах, pandas-это невероятная помощь и работает намного лучше, чем другие варианты. Чтобы уточнить, предположим, что ваши x,y, z-некоторые произвольные переменные. В моем случае это были c, гамма и ошибки, потому что я тестировал машину вектора поддержки. Есть много потенциальных вариантов для построения данных:

• scatter3D(cParams, gammas, avg_errors_array) - это работает, но слишком упрощенно
• plot_wireframe(cParams, gammas, avg_errors_array) - это работает, но будет выглядеть некрасиво, если ваши данные не отсортированы красиво, как это потенциально имеет место с массивными кусками реальных научных данных
• ax.plot3D (cParams, gammas, avg_errors_array) - похоже на каркас

каркасный график данных

3d разброс данные

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 непосредственно создать 3d-поверхность с использованием ваших данных. Я бы рекомендовал вам построить модель интерполяции с помощью некоторых инструментов, таких как pykridge. Процесс будет включать в себя три этапа:

1. обучите интерполяционную модель с помощью pykridge
2. построить сетку от X и Y используя meshgrid
3. интерполировать значения для Z

создав свою сетку и соответствующий Z значения, теперь вы готовы к работе с plot_surface. Обратите внимание, что в зависимости от размера ваших данных,meshgrid функция может работать в течение некоторого времени. Обходной путь заключается в создании равномерно расположенных образцов с помощью np.linspace на X и Y оси, затем применить интерполяцию, чтобы сделать вывод о необходимости Z значения. Если это так, то интерполированные значения могут отличаться от исходных Z, потому что X и Y изменились.