回顾 2D 作图

用赛贝尔曲线作 2d 图。此图是用基于 Matplotlib 的 Path 通过赛贝尔曲线实现的，有对赛贝尔曲线感兴趣的朋友们可以深入了解一下。在 matplotlib 中，figure 为画布，axes 为绘图区，fig.add_subplot()、plt.subplot() 方法均可以创建子图。以下是作图实践。

import matplotlib.path as mpath import matplotlib.patches as mpatches import matplotlib.pyplot as plt fig, ax = plt.subplots() #定义绘图指令与控制点坐标 Path = mpath.Path # Path 控制坐标点绘制贝塞尔曲线 # 图形数据构造 # MOVETO表示将绘制起点移动到指定坐标 # CURVE4表示使用4个控制点绘制3次贝塞尔曲线 # CURVE3表示使用3个控制点绘制2次贝塞尔曲线 # LINETO表示从当前位置绘制直线到指定位置 # CLOSEPOLY表示从当前位置绘制直线到指定位置，并闭合多边形 path_data = [     (Path.MOVETO, (1.88, -2.57)),     (Path.CURVE4, (0.35, -1.1)),     (Path.CURVE4, (-1.75, 1.5)),     (Path.CURVE4, (0.375, 2.0)),     (Path.LINETO, (0.85, 1.15)),     (Path.CURVE4, (2.2, 3.2)),     (Path.CURVE4, (3, 0.05)),     (Path.CURVE4, (2.0, -1.5)),     (Path.CLOSEPOLY, (1.58, -2.57)),     ] codes,verts = zip(*path_data) path = mpath.Path(verts, codes) patch = mpatches.PathPatch(path, facecolor='r', alpha=0.5) ax.add_patch(patch) # plot control points and connecting lines x, y = zip(*path.vertices) line, = ax.plot(x, y, 'go-') ax.grid() ax.axis('equal') plt.show()

心型效果图

3D 帽子图1

Matplotlib 绘制 3D 图形使用的是 mplot3d Toolkit，即 mplot3d 工具包。绘制 3D 图可以通过创建子图，然后指定 projection 参数 为 3d 即可，返回的 ax 为 Axes3D 对象。

导入包：

from matplotlib import cm from matplotlib.ticker import LinearLocator, FormatStrFormatter from mpl_toolkits.mplot3d import Axes3D

绘图全过程：

import matplotlib.pyplot as plt from matplotlib import cm from matplotlib.ticker import LinearLocator, FormatStrFormatter from mpl_toolkits.mplot3d import Axes3D import numpy as np fig = plt.figure() # 指定图形类型是 3d 类型 ax = fig.add_subplot(projection='3d') # 构造数据 X = np.arange(-5, 5, 0.25) Y = np.arange(-5, 5, 0.25) X, Y = np.meshgrid(X, Y) R = np.sqrt(X**2 + Y**2) Z = np.sin(R) # Plot the surface. surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm,                        linewidth=0, antialiased=False) # Customize the z axis. ax.set_zlim(-1.01, 1.01) ax.zaxis.set_major_locator(LinearLocator(10)) ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) # Add a color bar which maps values to colors. fig.colorbar(surf, shrink=0.5, aspect=5) plt.show()

呈现效果：

帽子图1

3D 帽子图2

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() # 指定图形类型为 3d 类型 ax = fig.add_subplot(111, projection='3d') # X, Y value X = np.arange(-5, 5, 0.25) Y = np.arange(-5, 5, 0.25) # 设置 x-y 平面的网格 X, Y = np.meshgrid(X, Y) R = np.sqrt(X ** 2 + Y ** 2) # height value Z = np.sin(R) # rstride:行之间的跨度  cstride:列之间的跨度 # rcount:设置间隔个数，默认50个，ccount:列的间隔个数  不能与上面两个参数同时出现 #vmax和vmin  颜色的最大值和最小值 ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) # zdir : 'z' | 'x' | 'y' 表示把等高线图投射到哪个面 # offset : 表示等高线图投射到指定页面的某个刻度 ax.contourf(X,Y,Z,zdir='z',offset=-2) # 设置图像z轴的显示范围，x、y轴设置方式相同 ax.set_zlim(-2,2) plt.show()

帽子图2

3D 线性图

3D 线性图使用 Axes3D.plot来绘制。绘画的基本方法：Axes3D.plot(xs, ys[, zs, zdir='z', *args, **kwargs])

参数说明：

参数描述xs一维数组，点的 x 轴坐标ys一维数组，点的 y 轴坐标zs一维数组，可选项，点的 z 轴坐标zdir可选项，在 3D 轴上绘制 2D 数据时，数据必须以 xs，ys 的形式传递，若此时将 zdir 设置为 ‘y’，数据将会被绘制到 x-z 轴平面上，默认为 ‘z’**kwargs其他关键字参数，可选项，可参见 matplotlib.axes.Axes.plot

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 依次获取画布和绘图区并创建 Axes3D 对象 fig = plt.figure() ax = fig.gca(projection='3d') # 第一条3D线性图数据 theta = np.linspace(-4 * np.pi, 4 * np.pi, 100) z1 = np.linspace(-2, 2, 100) r = z1**2 + 1 x1 = r * np.sin(theta) y1 = r * np.cos(theta) # 第二条3D线性图数据 z2 = np.linspace(-3, 3, 100) x2 = np.sin(z2) y2 = np.cos(z2) # 绘制3D线性图 ax.plot(x1, y1, z1, color='b', label='3D Line1') ax.plot(x2, y2, z2, color='r', label='3D Line2') # 设置标题、轴标签、图例，也可以直接使用 plt.title、plt.xlabel、plt.legend... ax.set_title('3D Line View', pad=15, fontsize='10') ax.set_xlabel('x ', color='r', fontsize='14') ax.set_ylabel('y ', color='g', fontsize='14') ax.set_zlabel('z ', color='b', fontsize='14') ax.legend() plt.show()

结果显示：

线性图

3D 散点图

绘制 3D 散点图的基本方法是：Axes3D.scatter(xs, ys[, zs=0, zdir='z', s=20, c=None, depthshade=True, *args, **kwargs])

参数详解：

参数描述xs一维数组，点的 x 轴坐标ys一维数组，点的 y 轴坐标zs一维数组，可选项，点的 z 轴坐标zdir可选项，在 3D 轴上绘制 2D 数据时，数据必须以 xs，ys 的形式传递，若此时将 zdir 设置为 ‘y’，数据将会被绘制到 x-z 轴平面上，默认为 ‘z’s标量或数组类型，可选项，标记的大小，默认 20c标记的颜色，可选项，可以是单个颜色或者一个颜色列表支持英文颜色名称及其简写、十六进制颜色码等，更多颜色示例参见官网 Color Demodepthshadebool 值，可选项，默认 True，是否为散点标记着色以提供深度外观**kwargs其他关键字

import matplotlib.pyplot as plt import numpy as np from mpl_toolkits.mplot3d import Axes3D def randrange(n, vmin, vmax):     return (vmax - vmin) * np.random.rand(n) + vmin fig = plt.figure() ax = fig.add_subplot(111, projection='3d') n = 100 # For each set of style and range settings, plot n random points in the box # defined by x in [23, 32], y in [0, 100], z in [zlow, zhigh]. for c, m, zlow, zhigh in [('r', 'o', -50, -25), ('b', '^', -30, -5)]:     xs = randrange(n, 23, 32)     ys = randrange(n, 0, 100)     zs = randrange(n, zlow, zhigh)     ax.scatter(xs, ys, zs, c=c, marker=m) ax.set_title('3D Diagram View', pad=15, fontsize='10') ax.set_xlabel('x ', color='r', fontsize='14') ax.set_ylabel('y ', color='g', fontsize='14') ax.set_zlabel('z ', color='b', fontsize='14') plt.show()

结果显示为：

散点图

总结

本文主要是介绍使用 Python 第三方库 Matplotlib 来绘制 3D 图形，当然除了上面演示的这几种，还有更多丰富的图形和功能等待你去挖掘。相比于 2D 图形，3D 图形可以多展现一个维度的数据特征，在可视化时会有更加直观的效果。在实际的数据可视化过程中，我们要根据具体需求来决定用怎样的形式来展现，而多了解一些工具就可以更加游刃有余。这些强大的工具也正是 Python 在数据分析和可视化方面的一大优势之一。

完整项目代码获取点蓝色字体即可