2.4 特殊图形绘制

文档摘要

2.4 特殊图形绘制 Matplotlib 进阶绘图：探索特殊图形绘制的奥秘 (2.4 特殊图形绘制) 在 Matplotlib 的广阔绘图世界中，除了常见的折线图、散点图和柱状图之外，还隐藏着许多功能强大的特殊图形，它们能够以独特的方式呈现数据，揭示数据背后的深层信息。本篇文章将深入 Matplotlib 进阶绘图领域的 2.4 特殊图形绘制部分，带您探索这些不为人知的绘图技巧，并通过代码实践和详细解析，让您掌握这些高级绘图方法，为您的数据可视化工具箱增添新的利器。 2.4.1 轮廓图 (Contour Plots) 轮廓图是一种用于表示三维曲面在二维平面上的投影的图形。它通过一系列等高线来表示曲面在不同高度上的形状，常用于地理、气象、物理等领域，例如绘制地形图、等温线图等。

2.4 特殊图形绘制

Matplotlib 进阶绘图：探索特殊图形绘制的奥秘 (2.4 特殊图形绘制)

在 Matplotlib 的广阔绘图世界中，除了常见的折线图、散点图和柱状图之外，还隐藏着许多功能强大的特殊图形，它们能够以独特的方式呈现数据，揭示数据背后的深层信息。本篇文章将深入 Matplotlib 进阶绘图领域的 2.4 特殊图形绘制 部分，带您探索这些不为人知的绘图技巧，并通过代码实践和详细解析，让您掌握这些高级绘图方法，为您的数据可视化工具箱增添新的利器。

2.4.1 轮廓图 (Contour Plots)

轮廓图是一种用于表示三维曲面在二维平面上的投影的图形。它通过一系列等高线来表示曲面在不同高度上的形状，常用于地理、气象、物理等领域，例如绘制地形图、等温线图等。在 Matplotlib 中，我们可以使用 contour 和 contourf 函数来绘制轮廓图。

代码实践：绘制基础轮廓图


import matplotlib.pyplot as plt
import numpy as np
# 创建网格数据
x = np.linspace(-3.0, 3.0, 100)
y = np.linspace(-3.0, 3.0, 100)
X, Y = np.meshgrid(x, y)
Z = np.sqrt(X**2 + Y**2)  # 定义高度函数
# 绘制轮廓线
CS = plt.contour(X, Y, Z, levels=20, colors='black', linewidths=0.5)
plt.clabel(CS, inline=True, fontsize=8) # 添加轮廓线标签
# 绘制填充轮廓
CF = plt.contourf(X, Y, Z, levels=20, cmap=plt.cm.viridis)
plt.colorbar(CF) # 添加颜色条
plt.title('Contour Plot Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

代码详解：

导入库: matplotlib.pyplot 用于绘图，numpy 用于生成数据。
创建网格数据:
- np.linspace(-3.0, 3.0, 100) 创建 x 和 y 轴的坐标范围，从 -3.0 到 3.0，包含 100 个点。
- np.meshgrid(x, y) 生成网格矩阵 X 和 Y，用于定义二维平面上的点。
- Z = np.sqrt(X**2 + Y**2) 定义了高度函数，这里使用距离原点的距离作为高度值，形成一个圆锥形曲面。
绘制轮廓线:
- plt.contour(X, Y, Z, levels=20, colors='black', linewidths=0.5) 函数绘制轮廓线。
  - X, Y, Z：输入数据，分别表示 x 坐标、y 坐标和高度值。
  - levels=20：指定轮廓线的数量，这里设置为 20 条等高线。
  - colors='black'：设置轮廓线颜色为黑色。
  - linewidths=0.5：设置轮廓线宽度为 0.5。
- plt.clabel(CS, inline=True, fontsize=8)：为轮廓线添加标签。
  - CS：plt.contour 函数的返回值，包含了轮廓线的信息。
  - inline=True：标签嵌入到轮廓线中。
  - fontsize=8：标签字体大小为 8。
绘制填充轮廓:
- plt.contourf(X, Y, Z, levels=20, cmap=plt.cm.viridis) 函数绘制填充轮廓。
  - cmap=plt.cm.viridis：设置颜色映射，这里使用 viridis 色彩映射方案，色彩从紫色到黄色变化，代表高度的递增。
- plt.colorbar(CF)：添加颜色条，显示颜色与高度值的对应关系。
添加标题和轴标签: plt.title, plt.xlabel, plt.ylabel 函数用于添加图形的标题和轴标签。
显示图形: plt.show() 函数显示绘制的图形。

进阶应用：自定义轮廓线样式和颜色

我们可以通过调整 contour 和 contourf 函数的参数，进一步自定义轮廓图的样式和颜色。例如，我们可以使用不同的颜色映射方案 (cmap)，自定义轮廓线的颜色 (colors)，线型 (linestyles)，线宽 (linewidths) 等。


# 自定义颜色映射和轮廓线样式
CF = plt.contourf(X, Y, Z, levels=np.arange(0, 4, 0.5), cmap=plt.cm.coolwarm) # 使用 coolwarm 色彩映射，并自定义 levels
CS = plt.contour(X, Y, Z, levels=[1, 2, 3], colors='red', linestyles='dashed', linewidths=2) # 自定义特定高度的轮廓线样式
plt.clabel(CS, inline=True, fontsize=10)
plt.colorbar(CF)
plt.title('Customized Contour Plot')
plt.show()

代码解释:

levels=np.arange(0, 4, 0.5)：自定义轮廓线的高度级别，从 0 到 4，步长为 0.5。
cmap=plt.cm.coolwarm：使用 coolwarm 色彩映射方案，色彩从蓝色到红色变化。
levels=[1, 2, 3]：只绘制高度为 1, 2, 3 的轮廓线。
colors='red'：设置特定轮廓线的颜色为红色。
linestyles='dashed'：设置特定轮廓线的线型为虚线。
linewidths=2：设置特定轮廓线的线宽为 2。

2.4.2 矢量场图 (Quiver Plots)

矢量场图用于表示矢量场，即在二维或三维空间中，每个点都关联一个矢量的场。矢量场图常用于流体力学、电磁学等领域，例如绘制流场、磁场等。在 Matplotlib 中，我们可以使用 quiver 函数来绘制矢量场图。

代码实践：绘制简单的矢量场图


import matplotlib.pyplot as plt
import numpy as np
# 创建网格数据
x = np.linspace(-5, 5, 10)
y = np.linspace(-5, 5, 10)
X, Y = np.meshgrid(x, y)
# 定义矢量场
U = -Y  # x 方向分量
V = X   # y 方向分量
# 绘制矢量场图
plt.quiver(X, Y, U, V)
plt.title('Quiver Plot Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

代码详解：

创建网格数据: 与轮廓图类似，创建网格矩阵 X 和 Y。
定义矢量场:
- U = -Y：定义 x 方向的矢量分量，这里设置为 -Y，即矢量的 x 分量与 y 坐标成反比。
- V = X：定义 y 方向的矢量分量，这里设置为 X，即矢量 y 分量与 x 坐标成正比。
- 这样的定义会产生一个旋转的矢量场。
绘制矢量场图:
- plt.quiver(X, Y, U, V) 函数绘制矢量场图。
  - X, Y：矢量箭头的起始位置坐标。
  - U, V：矢量在 x 和 y 方向的分量。

进阶应用：调整矢量箭头样式和颜色

quiver 函数提供了丰富的参数来调整矢量箭头的样式和颜色，例如 scale 参数控制箭头长度，color 参数控制箭头颜色，width 参数控制箭头杆的宽度，headwidth、headlength、headaxislength 参数控制箭头头的形状等。


# 自定义矢量箭头样式和颜色
plt.quiver(X, Y, U, V, color='r', scale=50, width=0.01, headwidth=3, headlength=5) # 自定义箭头颜色、长度、宽度和头部样式
plt.title('Customized Quiver Plot')
plt.show()

代码解释:

color='r'：设置箭头颜色为红色 (red)。
scale=50：设置箭头长度的比例因子，值越大箭头越短。
width=0.01：设置箭头杆的宽度。
headwidth=3：设置箭头头的宽度。
headlength=5：设置箭头头的长度。

2.4.3 极坐标图 (Polar Plots)

极坐标图是一种使用极坐标系来表示数据的图形。极坐标系使用角度 (\theta) 和半径 (r) 来定位点，与直角坐标系 (x, y) 不同。极坐标图常用于表示周期性数据、方向性数据等，例如雷达图、风玫瑰图等。在 Matplotlib 中，我们可以使用 polar 函数来绘制极坐标图。

代码实践：绘制简单的极坐标图


import matplotlib.pyplot as plt
import numpy as np
# 创建角度和半径数据
theta = np.linspace(0, 2*np.pi, 100) # 角度范围 0 到 2π
r = np.sin(3*theta) # 半径函数
# 创建极坐标子图
ax = plt.subplot(111, projection='polar') # 指定子图为极坐标投影
# 绘制极坐标曲线
ax.plot(theta, r)
ax.set_title('Polar Plot Example')
plt.show()

代码详解：

创建角度和半径数据:
- theta = np.linspace(0, 2*np.pi, 100)：创建角度数据，从 0 到 2π，包含 100 个点。
- r = np.sin(3*theta)：定义半径函数，这里使用 sin(3*theta)，产生一个三叶玫瑰线。
创建极坐标子图:
- ax = plt.subplot(111, projection='polar')：创建子图，并指定 projection='polar'，将子图设置为极坐标投影。
绘制极坐标曲线:
- ax.plot(theta, r)：使用 ax.plot 函数在极坐标子图上绘制曲线，输入参数为角度 theta 和半径 r。
设置标题: ax.set_title 函数用于设置极坐标图的标题。

进阶应用：自定义极坐标轴和网格

我们可以使用 ax.set_theta_direction，ax.set_theta_offset，ax.set_rlim，ax.set_rticks 等函数来自定义极坐标轴的刻度、方向、范围等。还可以使用 ax.grid(True) 来显示极坐标网格。


# 自定义极坐标轴和网格
ax = plt.subplot(111, projection='polar')
ax.plot(theta, r)
ax.set_theta_direction(-1) # 设置角度方向为顺时针，默认逆时针
ax.set_theta_offset(np.pi/2) # 设置角度偏移 π/2，起始角度从 y 轴正方向开始
ax.set_rlim(0, 1) # 设置半径轴范围为 0 到 1
ax.set_rticks([0.2, 0.4, 0.6, 0.8, 1.0]) # 自定义半径轴刻度
ax.grid(True) # 显示极坐标网格
ax.set_title('Customized Polar Plot')
plt.show()

代码解释:

ax.set_theta_direction(-1)：设置角度方向为顺时针 (-1)，默认逆时针 (1)。
ax.set_theta_offset(np.pi/2)：设置角度偏移 π/2，起始角度从 y 轴正方向开始 (默认 x 轴正方向)。
ax.set_rlim(0, 1)：设置半径轴范围为 0 到 1。
ax.set_rticks([0.2, 0.4, 0.6, 0.8, 1.0])：自定义半径轴刻度，只显示指定的刻度值。
ax.grid(True)：显示极坐标网格。

2.4.4 3D 图形 (3D Plots)

Matplotlib 也可以绘制三维图形，包括 3D 散点图、3D 曲面图、3D 柱状图等。绘制 3D 图形需要导入 mpl_toolkits.mplot3d 工具包。

代码实践：绘制简单的 3D 散点图


import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D # 导入 3D 绘图工具包
import numpy as np
# 创建 3D 子图
fig = plt.figure()
ax = fig.add_subplot(projection='3d') # 添加 3D 子图
# 生成 3D 散点数据
z = np.linspace(0, 15, 100)
x = np.sin(z)
y = np.cos(z)
# 绘制 3D 散点图
ax.scatter(x, y, z)
ax.set_title('3D Scatter Plot Example')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.show()

代码详解：

导入 3D 绘图工具包: from mpl_toolkits.mplot3d import Axes3D 导入 Axes3D 类，用于创建 3D 坐标轴。
创建 3D 子图:
- fig = plt.figure()：创建 Figure 对象。
- ax = fig.add_subplot(projection='3d')：在 Figure 对象中添加一个子图，并指定 projection='3d'，将子图设置为 3D 投影。
生成 3D 散点数据:
- z = np.linspace(0, 15, 100)：生成 z 轴数据。
- x = np.sin(z)，y = np.cos(z)：根据 z 轴数据生成 x 和 y 轴数据，形成一个螺旋线形状的散点分布。
绘制 3D 散点图:
- ax.scatter(x, y, z)：使用 ax.scatter 函数绘制 3D 散点图，输入参数为 x, y, z 坐标。
设置轴标签: ax.set_xlabel, ax.set_ylabel, ax.set_zlabel 函数用于设置 3D 图形的 x, y, z 轴标签。

进阶应用：绘制 3D 曲面图和线框图

除了散点图，我们还可以使用 plot_surface 和 plot_wireframe 函数绘制 3D 曲面图和线框图。


# 绘制 3D 曲面图和线框图
fig = plt.figure(figsize=(12, 6)) # 设置 figure 大小
# 3D 曲面图
ax1 = fig.add_subplot(121, projection='3d') # 创建第一个子图
X, Y = np.meshgrid(np.arange(-5, 5, 0.25), np.arange(-5, 5, 0.25))
Z = np.sin(np.sqrt(X**2 + Y**2))
surf = ax1.plot_surface(X, Y, Z, cmap=plt.cm.coolwarm) # 绘制曲面图，使用 coolwarm 色彩映射
fig.colorbar(surf, shrink=0.5, aspect=10, ax=ax1) # 添加颜色条到第一个子图
ax1.set_title('3D Surface Plot')
# 3D 线框图
ax2 = fig.add_subplot(122, projection='3d') # 创建第二个子图
wireframe = ax2.plot_wireframe(X, Y, Z, color='black') # 绘制线框图，颜色为黑色
ax2.set_title('3D Wireframe Plot')
plt.show()

代码解释:

创建 Figure 和子图: 使用 fig.add_subplot(121, projection='3d') 和 fig.add_subplot(122, projection='3d') 创建两个并排的 3D 子图。
生成曲面数据: 使用 np.meshgrid 创建网格数据 X 和 Y，并定义高度函数 Z = np.sin(np.sqrt(X**2 + Y**2))。
绘制 3D 曲面图:
- ax1.plot_surface(X, Y, Z, cmap=plt.cm.coolwarm)：使用 plot_surface 函数绘制 3D 曲面图。
- fig.colorbar(surf, shrink=0.5, aspect=10, ax=ax1)：为曲面图添加颜色条。
绘制 3D 线框图:
- ax2.plot_wireframe(X, Y, Z, color='black')：使用 plot_wireframe 函数绘制 3D 线框图。

2.4.5 阶梯图和棉棒图 (Step and Stem Plots)

阶梯图 (Step Plot) 和棉棒图 (Stem Plot) 都是用于表示离散数据的图形。阶梯图用水平线段连接数据点，形成阶梯状的图形，常用于表示累积分布函数等。棉棒图用垂直线段表示数据点的值，并在底部添加一个圆点，形如棉棒，常用于表示脉冲信号、离散序列等。在 Matplotlib 中，我们可以使用 step 和 stem 函数分别绘制阶梯图和棉棒图。

代码实践：绘制阶梯图和棉棒图


import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.arange(0, 10, 1)
y = np.random.rand(10)
# 绘制阶梯图
plt.step(x, y, where='post') # where 参数控制阶梯的位置，'post' 表示阶梯在 x 值之后
# 绘制棉棒图
plt.stem(x, y, use_line_collection=True) # use_line_collection 参数提高性能
plt.title('Step and Stem Plot Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

代码详解：

生成数据: x = np.arange(0, 10, 1) 生成 x 轴数据，y = np.random.rand(10) 生成 y 轴数据，模拟离散数据。
绘制阶梯图:
- plt.step(x, y, where='post') 函数绘制阶梯图。
  - where='post'：设置阶梯的位置，'post' 表示阶梯在 x 值之后，即水平线段从 x 值开始延伸。'pre' 表示阶梯在 x 值之前，'mid' 表示阶梯在 x 值中间。
绘制棉棒图:
- plt.stem(x, y, use_line_collection=True) 函数绘制棉棒图。
  - use_line_collection=True：使用 LineCollection 对象来绘制棉棒图，可以提高性能，尤其是在数据量较大时。

进阶应用：自定义阶梯图和棉棒图样式

我们可以自定义阶梯图的线型、颜色、填充颜色等，以及棉棒图的线条样式、颜色、标记样式等。


# 自定义阶梯图和棉棒图样式
plt.figure(figsize=(10, 5)) # 设置 figure 大小
# 自定义阶梯图
plt.subplot(121) # 创建第一个子图
plt.step(x, y, color='green', linestyle='--', linewidth=2, fillstyle='full', where='mid', label='Step Data') # 自定义阶梯图样式
plt.fill_between(x, y, step='mid', alpha=0.3, color='green') # 填充阶梯图下方区域
plt.legend()
plt.title('Customized Step Plot')
# 自定义棉棒图
plt.subplot(122) # 创建第二个子图
plt.stem(x, y, linefmt='r-', markerfmt='ro', basefmt='b-', use_line_collection=True, label='Stem Data') # 自定义棉棒图样式
plt.legend()
plt.title('Customized Stem Plot')
plt.show()

代码解释:

自定义阶梯图:
- color='green'，linestyle='--'，linewidth=2：自定义阶梯线颜色、线型和线宽。
- fillstyle='full'：设置填充样式为实心。
- where='mid'：设置阶梯位置为 'mid'。
- label='Step Data'：设置图例标签。
- plt.fill_between(x, y, step='mid', alpha=0.3, color='green')：填充阶梯图下方区域，step='mid' 确保填充区域与阶梯对齐，alpha=0.3 设置透明度，color='green' 设置填充颜色。
自定义棉棒图:
- linefmt='r-'：设置棉棒线条格式为红色实线。
- markerfmt='ro'：设置棉棒标记格式为红色圆圈。
- basefmt='b-'：设置基线格式为蓝色实线。
- label='Stem Data'：设置图例标签。

2.4.6 箱线图和提琴图 (Box and Violin Plots)

箱线图 (Box Plot) 和提琴图 (Violin Plot) 都是用于可视化数据分布的图形。箱线图通过箱子、须线和离群点来简洁地展示数据的中位数、四分位数、极值和异常值，常用于比较不同组数据的分布特征。提琴图结合了箱线图和核密度估计，更详细地展示数据的分布形状，形如提琴，可以更直观地比较不同组数据的分布差异。在 Matplotlib 中，我们可以使用 boxplot 和 violinplot 函数分别绘制箱线图和提琴图。

代码实践：绘制箱线图和提琴图


import matplotlib.pyplot as plt
import numpy as np
# 生成多组数据
data = [np.random.normal(0, std, 100) for std in range(1, 4)] # 生成三组正态分布数据，标准差分别为 1, 2, 3
# 绘制箱线图
plt.boxplot(data)
# 绘制提琴图
plt.violinplot(data)
plt.title('Box and Violin Plot Example')
plt.xlabel('Groups')
plt.ylabel('Values')
plt.show()

代码详解：

生成多组数据: data = [np.random.normal(0, std, 100) for std in range(1, 4)] 生成一个包含三组数据的列表，每组数据都是从正态分布中随机抽取的 100 个样本，标准差分别为 1, 2, 3。
绘制箱线图: plt.boxplot(data) 函数绘制箱线图，输入参数为数据列表 data。
绘制提琴图: plt.violinplot(data) 函数绘制提琴图，输入参数为数据列表 data。

进阶应用：自定义箱线图和提琴图样式

我们可以自定义箱线图的箱体颜色、须线样式、离群点样式等，以及提琴图的提琴主体颜色、边缘线样式、中位数标记样式等。


# 自定义箱线图和提琴图样式
plt.figure(figsize=(12, 6)) # 设置 figure 大小
# 自定义箱线图
plt.subplot(121) # 创建第一个子图
boxprops = dict(linestyle='-', linewidth=2, color='blue') # 箱体样式
medianprops = dict(linestyle='-', linewidth=2, color='red') # 中位数线样式
whiskerprops = dict(linestyle='--', linewidth=1, color='green') # 须线样式
capprops = dict(linestyle='-', linewidth=1, color='purple') # 箱须端帽样式
flierprops = dict(marker='o', markerfacecolor='cyan', markersize=8, linestyle='none') # 离群点样式
plt.boxplot(data, boxprops=boxprops, medianprops=medianprops, whiskerprops=whiskerprops, capprops=capprops, flierprops=flierprops, labels=['Group 1', 'Group 2', 'Group 3']) # 自定义箱线图样式，并添加组标签
plt.title('Customized Box Plot')
# 自定义提琴图
plt.subplot(122) # 创建第二个子图
parts = plt.violinplot(data, showmeans=False, showmedians=True, showextrema=True, widths=0.7, points=100, bw_method='scott', positions=[1, 2, 3]) # 自定义提琴图样式
for pc in parts['bodies']: # 遍历提琴主体
    pc.set_facecolor('orange') # 设置提琴主体颜色
    pc.set_edgecolor('black') # 设置提琴边缘颜色
    pc.set_alpha(0.7) # 设置提琴透明度
parts['cmedians'].set_edgecolor('red') # 设置中位数标记颜色
plt.xticks([1, 2, 3], ['Group 1', 'Group 2', 'Group 3']) # 设置 x 轴刻度标签
plt.title('Customized Violin Plot')
plt.show()

代码解释:

自定义箱线图:
- 使用字典 boxprops, medianprops, whiskerprops, capprops, flierprops 分别定义箱体、中位数线、须线、箱须端帽和离群点的样式。
- 将这些字典作为参数传递给 plt.boxplot 函数。