本站首页 收藏本站
广告位联系

APP正在开发中...
返回顶部
您的位置： 主页 > 脚本 > python >

收藏
分享到

Python和Plotly实现3D图形绘制

python 来源：互联网 作者：佚名 发布时间：2024-11-13 09:00:41 人浏览
摘要

在当今的数据分析和可视化领域，Python已经成为一种不可或缺的工具。其强大的数据处理能力和丰富的可视化库使得数据科学家和工程师们能够轻松地创建出复杂且美观的图表。其中，Plotly作

在当今的数据分析和可视化领域，Python已经成为一种不可或缺的工具。其强大的数据处理能力和丰富的可视化库使得数据科学家和工程师们能够轻松地创建出复杂且美观的图表。其中，Plotly作为一种高级的绘图库，特别擅长于创建交互式和3D图形。本文将详细介绍如何使用Python和Plotly绘制3D图形，包括3D坐标系、曲面图、散点图等多种样式，并提供丰富的代码示例和案例，帮助新手朋友们快速上手。

一、Plotly简介

Plotly是一个开源的绘图库，它提供了丰富的绘图功能，包括静态和交互式图表、3D图形等。Plotly分为两个主要部分：Plotly Express和Plotly Graph Objects。Plotly Express是一个高级接口，适用于快速创建常见的图表类型；而Plotly Graph Objects则提供了更底层的接口，允许用户创建自定义的图表。

二、准备工作

在开始绘制3D图形之前，你需要确保已经安装了Plotly库。你可以使用pip命令来安装：

1

pip install plotly

另外，我们还需要用到NumPy库来生成示例数据。如果你还没有安装NumPy，可以使用以下命令来安装：

1

pip install numpy

三、绘制3D坐标系

绘制3D坐标系是创建3D图形的基础。下面是一个简单的示例代码，展示如何创建一个包含X、Y、Z轴的3D坐标系。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

import plotly.graph_objects as go

import numpy as np

  

# 创建图形对象

fig = go.Figure()

  

# 添加3D坐标轴

fig.add_trace(go.Scatter3d(

    x=[0, 10], y=[0, 0], z=[0, 0],

    mode='lines',

    line=dict(color='red', width=2)

))

fig.add_trace(go.Scatter3d(

    x=[0, 0], y=[0, 10], z=[0, 0],

    mode='lines',

    line=dict(color='green', width=2)

))

fig.add_trace(go.Scatter3d(

    x=[0, 0], y=[0, 0], z=[0, 10],

    mode='lines',

    line=dict(color='blue', width=2)

))

  

# 设置坐标轴标签

fig.update_layout(

    scene=dict(

        xaxis_title='X轴',

        yaxis_title='Y轴',

        zaxis_title='Z轴'

    )

)

  

# 显示图形

fig.show()

在这段代码中，我们首先创建了一个图形对象fig，然后使用go.Scatter3d添加了三条线，分别代表X轴、Y轴和Z轴。最后，通过update_layout方法设置了坐标轴的标签。

四、绘制3D曲面图

3D曲面图是展示三维数据的一种常见方式。下面是一个使用Plotly绘制3D曲面图的示例代码。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

import plotly.graph_objects as go

import numpy as np

  

# 生成示例数据

x = np.linspace(-5, 5, 100)

y = np.linspace(-5, 5, 100)

x, y = np.meshgrid(x, y)

z = np.sin(np.sqrt(x**2 + y**2))

  

# 创建图形对象并添加3D曲面图

fig = go.Figure(data=[go.Surface(z=z, x=x, y=y)])

  

# 设置图形标题和坐标轴标签

fig.update_layout(

    title='3D曲面图',

    scene=dict(

        xaxis_title='X轴',

        yaxis_title='Y轴',

        zaxis_title='Z轴'

    )

)

  

# 显示图形

fig.show()

在这段代码中，我们首先使用NumPy生成了一个100x100的网格数据，然后计算了每个网格点的z值（使用了一个正弦函数）。接着，我们创建了一个图形对象fig，并使用go.Surface添加了3D曲面图。最后，通过update_layout方法设置了图形的标题和坐标轴的标签。

五、绘制3D散点图

3D散点图是另一种展示三维数据的方式。下面是一个使用Plotly绘制3D散点图的示例代码。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

import plotly.graph_objects as go

import numpy as np

  

# 生成示例数据

np.random.seed(0)

x = np.random.standard_normal(100)

y = np.random.standard_normal(100)

z = np.random.standard_normal(100)

  

# 创建图形对象并添加3D散点图

fig = go.Figure(data=[go.Scatter3d(x=x, y=y, z=z, mode='markers')])

  

# 设置图形标题和坐标轴标签

fig.update_layout(

    title='3D散点图',

    scene=dict(

        xaxis_title='X轴',

        yaxis_title='Y轴',

        zaxis_title='Z轴'

    )

)

  

# 显示图形

fig.show()

在这段代码中，我们首先使用NumPy生成了100个服从标准正态分布的随机数，分别作为x、y、z轴的数据。然后，我们创建了一个图形对象fig，并使用go.Scatter3d添加了3D散点图。最后，通过update_layout方法设置了图形的标题和坐标轴的标签。

六、绘制3D直方图

3D直方图是一种展示三维数据分布的方式。下面是一个使用Plotly绘制3D直方图的示例代码。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

import plotly.graph_objects as go

import numpy as np

  

# 生成示例数据

x = np.random.normal(0, 1, 1000)

y = np.random.normal(0, 1, 1000)

z = np.random.normal(0, 1, 1000)

  

# 计算直方图数据

hist, xedges, yedges = np.histogram2d(x, y, bins=20)

  

# 生成直方图的网格

xpos, ypos = np.meshgrid(xedges[:-1] + 0.25, yedges[:-1] + 0.25, indexing="ij")

xpos = xpos.ravel()

ypos = ypos.ravel()

zpos = np.zeros_like(xpos)

  

# 设置直方图的大小

dx = dy = np.ones_like(zpos) * 0.5

dz = hist.ravel()

  

# 创建图形对象并添加3D直方图

fig = go.Figure(data=[go.Bar3d(x=xpos, y=ypos, z=zpos, dx=dx, dy=dy, dz=dz)])

  

# 设置图形标题和坐标轴标签

fig.update_layout(

    title='3D直方图',

    scene=dict(

        xaxis_title='X轴',

        yaxis_title='Y轴',

        zaxis_title='频率'

    )

)

  

# 显示图形

fig.show()

在这段代码中，我们首先生成了1000个服从标准正态分布的随机数，分别作为x、y、z轴的数据。然后，我们使用np.histogram2d函数计算了二维直方图的数据，并生成了直方图的网格。接着，我们创建了一个图形对象fig，并使用go.Bar3d添加了3D直方图。最后，通过update_layout方法设置了图形的标题和坐标轴的标签。

七、案例：绘制地球表面图

作为一个更复杂的案例，我们将使用Plotly绘制一个地球表面图。这个案例将展示如何使用Plotly的3D绘图功能来创建一个交互式的地球模型。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

import plotly.graph_objects as go

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image

  

# 读取地球图像

img = Image.open('earth.jpg')

img = img.resize((360, 180))  # 调整图像大小以匹配地球仪的分辨率

img_array = np.array(img) / 255.0  # 将图像转换为0-1之间的浮点数数组

  

# 生成地球表面坐标

phi = np.linspace(0, np.pi, 180)

theta = np.linspace(0, 2 * np.pi, 360)

phi, theta = np.meshgrid(phi, theta)

x = np.cos(phi) * np.cos(theta)

y = np.cos(phi) * np.sin(theta)

z = np.sin(phi)

  

# 创建图形对象并添加地球表面图

fig = go.Figure(data

  

  

：

  

python

[go.Surface(

    z=img_array,

    x=x.flatten(),

    y=y.flatten(),

    colorscale='Viridis'  # 使用Viridis颜色映射来增强视觉效果

)])

  

# 设置图形标题和坐标轴标签

fig.update_layout(

    title='地球表面图',

    scene=dict(

        xaxis_title='经度',

        yaxis_title='纬度',

        zaxis_title='高度',

        camera=dict(

            eye=dict(x=1.25, y=1.25, z=1.25)  # 调整相机位置以更好地查看地球

        )

    )

)

  

# 显示图形

fig.show()

在这段代码中，我们首先读取了一张地球表面的图像，并将其大小调整为360x180像素，以匹配地球仪的分辨率。然后，我们将图像转换为0-1之间的浮点数数组，以便Plotly能够正确渲染颜色。

接下来，我们生成了地球表面的坐标网格，其中phi表示纬度，theta表示经度。通过np.cos和np.sin函数，我们将经纬度坐标转换为笛卡尔坐标系下的x、y、z值。

然后，我们创建了一个图形对象fig，并使用go.Surface添加了地球表面图。注意，我们将图像的像素值作为z轴的数据，而x和y轴的数据则是地球表面的笛卡尔坐标。此外，我们还使用了colorscale='Viridis'参数来增强视觉效果，使得地球表面的颜色更加丰富和立体。

最后，我们通过update_layout方法设置了图形的标题和坐标轴的标签，并调整了相机的位置以更好地查看地球。

当你运行这段代码时，你将看到一个交互式的3D地球表面图。你可以通过拖动、旋转和缩放来查看地球的不同部分，并观察其表面的颜色和纹理。

八、总结

本文详细介绍了如何使用Python和Plotly绘制3D图形，包括3D坐标系、曲面图、散点图、直方图和地球表面图等多种样式。通过这些示例代码和案例，你可以快速掌握Plotly的3D绘图功能，并将其应用于自己的数据分析和可视化项目中。

需要注意的是，虽然Plotly提供了强大的3D绘图功能，但绘制复杂的3D图形可能需要一定的计算资源和时间。因此，在实际应用中，你需要根据数据的规模和复杂度来选择合适的绘图方法和参数，以确保图形的渲染效果和性能。

此外，Plotly还支持与其他Python库（如Pandas、Matplotlib等）的集成，这使得你可以更加方便地进行数据预处理和可视化。因此，在掌握Plotly的3D绘图功能后，你可以进一步探索这些集成功能，以提升自己的数据分析和可视化能力。
版权声明 : 本文内容来源于互联网或用户自行发布贡献，该文观点仅代表原作者本人。本站仅提供信息存储空间服务和不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权， 违法违规的内容， 请发送邮件至2530232025#qq.cn(#换@)举报，一经查实，本站将立刻删除。

您可能感兴趣的文章 :

原文链接 :
相关文章
推荐阅读
最新更新
友情链接
  • 本站所有内容来源于互联网或用户自行发布，本站仅提供信息存储空间服务，不拥有版权，不承担法律责任。如有侵犯您的权益，请您联系站长处理！
  • Copyright © 2017-2022 F11.CN All Rights Reserved. F11站长开发者网 版权所有 | 苏ICP备2022031554号-1 | 51LA统计