在Python中向3D绘图添加第四个变量

我有3个不同的参数X，Y和Z在一个值范围内，对于这些参数的每一个组合，都有一个特定的V值。为了更清楚，数据看起来像这样

X  Y  Z  V
1  1  2  10
1  2  3  15
etc...

我希望使用曲面/等高线图来可视化数据，使用V作为颜色来查看其在该点的值，但我不知道如何使用Python将自定义着色方案添加到混合中。有没有关于如何做到这一点的想法（或者这种可视化完全是愚蠢的）

---

非常感谢

这实际上取决于您计划如何绘制这些数据。我喜欢用

gnuplot

绘制图形：它简单、免费、直观。要使用

gnuplot

绘制示例，必须将这些行打印到一个文件中（仅包含这四列），并使用如下代码进行绘制

 reset
 set terminal png
 set output "out.png"
 splot "file.txt" using 1:2:3:4 with lines palette

假设您将数据保存到文件

file.txt

splot

表示曲面图。当然，这是一个最低限度的例子

---

或者，您可以使用

matplotlib

，但在我看来，这并不直观。虽然它的优点是将所有处理集中在python中。

但它实际上取决于您计划如何绘制这些数据。我喜欢用

gnuplot

绘制图形：它简单、免费、直观。要使用

gnuplot

绘制示例，必须将这些行打印到一个文件中（仅包含这四列），并使用如下代码进行绘制

 reset
 set terminal png
 set output "out.png"
 splot "file.txt" using 1:2:3:4 with lines palette

假设您将数据保存到文件

file.txt

splot

表示曲面图。当然，这是一个最低限度的例子

---

或者，您可以使用

matplotlib

，但在我看来，这并不直观。虽然它的优点是将所有处理集中在python中。

但它实际上取决于您计划如何绘制这些数据。我喜欢用

gnuplot

绘制图形：它简单、免费、直观。要使用

gnuplot

绘制示例，必须将这些行打印到一个文件中（仅包含这四列），并使用如下代码进行绘制

 reset
 set terminal png
 set output "out.png"
 splot "file.txt" using 1:2:3:4 with lines palette

假设您将数据保存到文件

file.txt

splot

表示曲面图。当然，这是一个最低限度的例子

---

或者，您可以使用

matplotlib

，但在我看来，这并不直观。虽然它的优点是将所有处理集中在python中。

但它实际上取决于您计划如何绘制这些数据。我喜欢用

gnuplot

绘制图形：它简单、免费、直观。要使用

gnuplot

绘制示例，必须将这些行打印到一个文件中（仅包含这四列），并使用如下代码进行绘制

 reset
 set terminal png
 set output "out.png"
 splot "file.txt" using 1:2:3:4 with lines palette

假设您将数据保存到文件

file.txt

splot

表示曲面图。当然，这是一个最低限度的例子

---

或者，您可以使用

matplotlib

，但在我看来，这并不直观。尽管它的优点是将所有处理集中在python中。

Matplotlib允许将FaceColor作为参数传递给例如。

这意味着您必须在计算机上执行2D插值 当前颜色数组，因为当前只有 矩形面的角（您提到过您有一条直线 网格）

你可以用 因此，正如您从文档中看到的，建议使用

给你一个简单的例子：

import numpy as np
y,x = np.mgrid[1:10:10j, 1:10:10j] # returns 2D arrays
# You have 1D arrays that would make a rectangular grid if properly reshaped.
y,x = y.ravel(), x.ravel()  # so let's convert to 1D arrays
z = x*(x-y)
colors = np.cos(x**2) - np.sin(y)**2

现在我有了一个与您类似的数据集（用于

x，y，z

和

颜色

）。请注意，颜色是为 每个点（x，y）。但是，如果要使用

plot\u surface

进行打印，则 生成矩形面片，其中的角由这些点给出

那么，继续插值：

from scipy.interpolate import RectBivariateSpline
# from scipy.interpolate import interp2d # could 've used this too, but docs suggest the faster RectBivariateSpline

# Define the points at the centers of the faces:
y_coords, x_coords = np.unique(y), np.unique(x)
y_centers, x_centers = [ arr[:-1] + np.diff(arr)/2 for arr in (y_coords, x_coords)]

# Convert back to a 2D grid, required for plot_surface:
Y = y.reshape(y_coords.size, -1)
X = x.reshape(-1, x_coords.size)
Z = z.reshape(X.shape)
C = colors.reshape(X.shape)
#Normalize the colors to fit in the range 0-1, ready for using in the colormap:
C -= C.min()
C /= C.max()

interp_func = RectBivariateSpline(x_coords, y_coords, C.T, kx=1, ky=1) # the kx, ky define the order of interpolation. Keep it simple, use linear interpolation.

在最后一步中，您还可以使用

interp2d

（使用

kind='linear'

更换

kx=1，ky=1

）。但是既然医生建议使用更快的 二维矩形样条线

现在，您可以绘制它了：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.cm as cm

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
r = ax.plot_surface(X,Y,Z,
    facecolors=cm.hot(interp_func(x_centers, y_centers).T),
    rstride=1,  cstride=1) # only added because of this very limited dataset

如您所见，面上的颜色与数据集的高度无关

请注意，您可能认为只需将2D数组C传递给

facecolors

即可，matplotlib也不会抱怨。但是，结果并不准确，因为matplotlib将只使用C的一个子集作为FaceColor（它似乎忽略了C的最后一列和最后一行）。这相当于在整个面片上仅使用由一个坐标（例如左上角）定义的颜色

一种更简单的方法是让matplotlib进行插值并获得面颜色，然后将其传递到真实的绘图：

r = ax.plot_surface(X,Y,C, cmap='hot') # first plot the 2nd dataset, i.e. the colors
fc = r.get_facecolors()
ax.clear()
ax.plot_surface(X, Y, Z, facecolors=fc)

---

但是，这在版本中不起作用。Matplotlib允许将FaceColor作为参数传递给。

这意味着您必须在计算机上执行2D插值 当前颜色数组，因为当前只有 矩形面的角（您提到过您有一条直线 网格）

你可以用 因此，正如您从文档中看到的，建议使用

给你一个简单的例子：

import numpy as np
y,x = np.mgrid[1:10:10j, 1:10:10j] # returns 2D arrays
# You have 1D arrays that would make a rectangular grid if properly reshaped.
y,x = y.ravel(), x.ravel()  # so let's convert to 1D arrays
z = x*(x-y)
colors = np.cos(x**2) - np.sin(y)**2

现在我有了一个与您类似的数据集（用于

x，y，z

和

颜色

）。请注意，颜色是为 每个点（x，y）。但是，如果要使用

plot\u surface

进行打印，则 生成矩形面片，其中的角由这些点给出

那么，继续插值：

from scipy.interpolate import RectBivariateSpline
# from scipy.interpolate import interp2d # could 've used this too, but docs suggest the faster RectBivariateSpline

# Define the points at the centers of the faces:
y_coords, x_coords = np.unique(y), np.unique(x)
y_centers, x_centers = [ arr[:-1] + np.diff(arr)/2 for arr in (y_coords, x_coords)]

# Convert back to a 2D grid, required for plot_surface:
Y = y.reshape(y_coords.size, -1)
X = x.reshape(-1, x_coords.size)
Z = z.reshape(X.shape)
C = colors.reshape(X.shape)
#Normalize the colors to fit in the range 0-1, ready for using in the colormap:
C -= C.min()
C /= C.max()

interp_func = RectBivariateSpline(x_coords, y_coords, C.T, kx=1, ky=1) # the kx, ky define the order of interpolation. Keep it simple, use linear interpolation.

在最后一步中，您还可以使用

interp2d

（使用

kind='linear'

更换

kx=1，ky=1

）。但是既然医生建议使用更快的 二维矩形样条线

现在，您可以绘制它了：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.cm as cm

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
r = ax.plot_surface(X,Y,Z,
    facecolors=cm.hot(interp_func(x_centers, y_centers).T),
    rstride=1,  cstride=1) # only added because of this very limited dataset

正如你所看到的，在