c++ 显示三维散点图_Matplotlib中的三维绘图

Matplotlib最初设计时只考虑了二维绘图。在1.0版本发布时，一些三维绘图实用程序构建在Matplotlib的二维显示之上，结果是一组方便（如果有限）的三维数据可视化工具。通过导入mplot3d主Matplotlib安装中包含的工具包来启用三维图：

from mpl_toolkits import mplot3d

导入此子模块后，可以通过将关键字传递projection='3d'给任何法线轴创建例程来创建三维轴：

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax = plt.axes(projection='3d')

启用此三维轴后，我们现在可以绘制各种三维绘图类型。三维绘图是通过交互式观看数字而非静态地在笔记本中观看数字而获益的功能之一;回想一下，要使用交互式数字，您可以使用%matplotlib notebook而不是%matplotlib inline在运行此代码时使用。

三维点和线

最基本的三维图是根据（x，y，z）三元组创建的散点图的线或集合。与前面讨论的更常见的二维图类比，可以使用ax.plot3D和ax.scatter3D函数创建这些图。这些的调用签名几乎与其二维对应的签名相同，因此您可以参考简单线图和简单散点图来获取有关控制输出的更多信息。在这里，我们将绘制一个三角螺旋线，以及在线附近随机绘制的一些点：

ax = plt.axes(projection='3d')

# Data for a three-dimensional line
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline, zline, 'gray')

# Data for three-dimensional scattered points
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

请注意，默认情况下，散点会调整其透明度，以便在页面上给出深度感。虽然在静态图像中有时难以看到三维效果，但是交互式视图可以导致关于点的布局的一些很好的直觉。

三维轮廓图

类似于我们在密度和等高线图中探索的等高线图，mplot3d包含使用相同输入创建三维浮雕图的工具。与二维ax.contour图一样，ax.contour3D要求所有输入数据都采用二维规则网格的形式，并在每个点评估Z数据。这里我们将展示一个三维正弦函数的三维等高线图：

def f(x, y):
    return np.sin(np.sqrt(x ** 2 + y ** 2))

x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)

X, Y = np.meshgrid(x, y)
Z = f(X, Y)
fig = plt.figure()
ax = plt.axes(projection='3d')
ax.contour3D(X, Y, Z, 50, cmap='binary')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z');

有时默认的视角不是最佳的，在这种情况下我们可以使用该view_init方法来设置高程和方位角。在下面的示例中，我们将使用60度的高程（即xy平面上方60度）和35度的方位角（即绕z轴逆时针旋转35度）：

ax.view_init(60, 35)
fig

再次注意，当使用Matplotlib的交互式后端之一时，通过单击和拖动可以交互式地完成这种类型的旋转。

表面三角测量

对于某些应用，上述例程所需的均匀采样网格过于严格且不方便。在这些情况下，基于三角测量的图可能非常有用。如果不是从笛卡尔坐标或极坐标网格中得到平均值，我们会有一组随机抽取？

fig = plt.figure()
ax = plt.axes(projection='3d')
ax.plot_wireframe(X, Y, Z, color='black')
ax.set_title('wireframe');

我们可以创建点的散点图，以了解我们从中采样的表面：

ax = plt.axes(projection='3d')
ax.plot_surface(X, Y, Z, rstride=1, cstride=1,
                cmap='viridis', edgecolor='none')
ax.set_title('surface');

这留下了许多不足之处。在这种情况下帮助我们的功能是ax.plot_trisurf，通过首先找到在相邻点之间形成的一组三角形来创建表面（请记住，x，y和z这里是一维数组）：

r = np.linspace(0, 6, 20)
theta = np.linspace(-0.9 * np.pi, 0.8 * np.pi, 40)
r, theta = np.meshgrid(r, theta)

X = r * np.sin(theta)
Y = r * np.cos(theta)
Z = f(X, Y)

ax = plt.axes(projection='3d')
ax.plot_surface(X, Y, Z, rstride=1, cstride=1,
                cmap='viridis', edgecolor='none');

结果当然不像用网格绘制时那样干净，但这种三角测量的灵活性允许一些非常有趣的三维图。