Zeichnen Sie Konturdiagramme mit Python Matplotlib
Matplotlib ist eine kostenlose Open-Source-Plotbibliothek in Python. Es wird zum Erstellen von 2D-Grafiken und Plots mithilfe von Python-Skripten verwendet. Um die Matplotlib-Funktionalität nutzen zu können, müssen wir zuerst die Bibliothek installieren.
Mit pip installieren
Wir können das neueste stabile Paket von Matplotlib ganz einfach von PyPi installieren, indem wir den folgenden Befehl in der Eingabeaufforderung ausführen.
pip install Matplotlib
Sie können Matplotlib über conda mit dem folgenden Befehl installieren:
conda install -c conda-forge matplotlib
Konturdiagramm wird verwendet, um dreidimensionale Daten in einer zweidimensionalen Oberfläche zu visualisieren, indem konstante Z-Schnitte, sogenannte Konturen, aufgetragen werden.
Die Darstellung erfolgt mithilfe der Konturfunktion (Z), die eine Funktion der beiden Eingaben X und Y (Koordinaten der X- und Y-Achse) ist.
Z = fun(x,y)
Matplotlib bietet zwei Funktionen plt.contour und plt.contourf zum Zeichnen von Konturdiagrammen.
contour()-Methode
matplotlib.pyplot. Die Methode „outline()“ wird zum Zeichnen von Umrisslinien verwendet. Es gibt QuadContourSet zurück. Hier ist die Syntax der Funktion -
contour([X, Y,] Z, [levels], **kwargs)
Parameter
[X,Y]: Optionaler Parameter, der die Koordinate des Z-Medianwerts angibt.
Z: Der Höhenwert des gezeichneten Umrisses.
Ebenen: werden verwendet, um die Anzahl und Position von Konturlinien/-regionen zu bestimmen.
Beispiel
Nehmen wir ein Beispiel für das Zeichnen von Konturlinien mit numpy trigonometrischen Funktionen.
import numpy as np import matplotlib.pyplot as plt def f(x, y): return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x) xlist = np.linspace(-4.0, 4.0, 800) ylist = np.linspace(-4.0, 4.0, 800) # A mesh is created with the given co-ordinates by this numpy function X, Y = np.meshgrid(xlist, ylist) Z = f(X,Y) fig = plt.figure() ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) cp = ax.contour(X, Y, Z) fig.colorbar(cp) # Add a colorbar to a plot ax.set_title('Contour Plot') ax.set_xlabel('x (cm)') ax.set_ylabel('y (cm)') plt.show()
Ausgabe
f(x,y) wird mithilfe trigonometrischer Numpy-Funktionen definiert.
Beispiel
Nehmen wir ein weiteres Beispiel und zeichnen Konturlinien.
import numpy as np import matplotlib.pyplot as plt def f(x, y): return np.sqrt(X**2 + Y**2) xlist = np.linspace(-10, 10, 400) ylist = np.linspace(-10, 10, 400) # create a mesh X, Y = np.meshgrid(xlist, ylist) Z = f(X, Y) fig = plt.figure(figsize=(6,5)) ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) cp = ax.contour(X, Y, Z) ax.set_title('Contour Plot') ax.set_xlabel('x (cm)') ax.set_ylabel('y (cm)') plt.show()
Ausgabe
z-Funktion ist die Summe der Quadratwurzeln der x- und y-Koordinatenwerte. Implementiert mit der Funktion numpy.sqrt().
contourf()-Funktion
matplotlib.pyplot bietet eine Methode contextf() zum Zeichnen gefüllter Konturen. Hier ist die Syntax der Funktion -
contourf([X, Y,] Z, [levels], **kwargs)
Wo,
[X,Y]: Optionaler Parameter, der die Koordinate des Z-Medianwerts angibt.
Z: Der Höhenwert des gezeichneten Umrisses.
Ebenen: werden verwendet, um die Anzahl und Position von Konturlinien/-regionen zu bestimmen.
Beispiel
Nehmen wir ein weiteres Beispiel und verwenden Sie die Methode contextf(), um ein Konturdiagramm zu zeichnen.
import numpy as np import matplotlib.pyplot as plt xlist = np.linspace(-8, 8, 800) ylist = np.linspace(-8, 8, 800) X, Y = np.meshgrid(xlist, ylist) Z = np.sqrt(X**2 + Y**2) fig = plt.figure(figsize=(6,5)) ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) cp = ax.contourf(X, Y, Z) fig.colorbar(cp) # Add a colorbar to a plot ax.set_title('Filled Contours Plot') #ax.set_xlabel('x (cm)') ax.set_ylabel('y (cm)') plt.show()
Ausgabe
Mit der Methode fig.colorbar() fügen wir dem Plot Farbe hinzu. Die z-Funktion ist die Summe der Quadratwurzeln der x- und y-Koordinatenwerte.
Beispiel
In diesem Beispiel zeichnen wir ein Polarkonturdiagramm mit der Methode matplotlib.plt.contourf().
import numpy as np import matplotlib.pyplot as plt a = np.radians(np.linspace(0, 360, 20)) b = np.arange(0, 70, 10) Y, X = np.meshgrid(b, a) values = np.random.random((a.size, b.size)) fig, ax = plt.subplots(subplot_kw=dict(projection='polar')) ax.set_title('Filled Contours Plot') ax.contourf(X, Y, values) plt.show()
Ausgabe
In allen obigen Beispielen haben wir die Funktion numpy.meshgrid() verwendet, um Arrays von X- und Y-Koordinaten zu generieren.
Das obige ist der detaillierte Inhalt vonZeichnen Sie Konturdiagramme mit Python Matplotlib. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden
