Use python para dibujar superficies 2D y 3D y líneas de corriente vectoriales

       Para realizar la visualización de diferentes datos, el esquema de visualización en el entorno de python se ha estudiado recientemente para prepararse para la simulación de simulación de movimiento de fluidos posterior.Debido a la conveniencia de python para procesar datos, muchas operaciones de visualización o procesamiento de back-end son Actualmente se realiza en python. Por ejemplo, el front-end es vue, además de operaciones interactivas simples, y el back-end construye un servidor web, que puede construirse con java o python, y usa python para procesar datos en el back-end para formar mapas visuales, etc.; este artículo es principalmente en el entorno python3.10 A continuación, use matplotlib.pyplot, scipy.interpolate, numpy y pandas para realizar el procesamiento de datos, la generación de datos de cuadrícula y el dibujo de planos y tridimensionales respectivos gráficos y agregue una barra de color personalizada. Antes de que comience el dibujo, es necesario preparar los datos, lo que generalmente incluye la lectura y preparación de datos, así como el procesamiento y filtrado de datos simples, etc., y las operaciones de dibujo posteriores o el procesamiento y visualización continuos de datos se realizarán sobre esta base.

etapa de preparación de datos

# 准备数据 读取数据
# 0.读写实际数据生成三维曲面，数据格式为x y z
filename=r'D:\project\PythonProject\ECL\data\geochemical-data\2018_T28.txt'
dataTop = pd.read_csv(filename, sep='\t', header=None, names=['x', 'y', 'z'])
# 去掉无效数据，一般为-99999.0000
data = dataTop[dataTop['z'] != -99999.0000]
x = data.iloc[:, 0]
y = data.iloc[:, 1]
z = data.iloc[:, 2]*(-1) #深度值是负数，要取反。
xi = np.linspace(min(x), max(x))
yi = np.linspace(min(y), max(y))
xi, yi = np.meshgrid(xi, yi) # 将一维数据处理为二维的网格数据
zi = griddata(data.iloc[:,0:2], z, (xi, yi), method='cubic') # 用法详见附录1

Contenido del archivo 2018_T28.txt

El estilo de lectura de datos y la forma de xyz son matrices unidimensionales de la misma longitud, es decir, (12766,) (12766,) (12766,).

1. Usa xyz para dibujar una superficie tridimensional

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(x, y, z, color='white', edgecolors='grey', alpha=0.5) #绘制三角网格组成的三维曲面
ax.scatter(x, y, z, c='red')  # 绘制三维散点图
plt.show()

 Gráfica de superficie 3D y gráfica de dispersión 3D usando malla triangular

2. Usa xyz para generar una cuadrícula y dibujar una superficie tridimensional

fig = plt.figure()
# ax = plt.axes(projection='3d')
ax = fig.gca(projection='3d')
surf = ax.plot_surface(xi, yi, zi, cmap='BuPu', linewidth=0, antialiased=True)  #绘制三维曲面
# surf = ax.scatter(xi, yi, zi, cmap='BuPu', linewidth=0, antialiased=True)     #绘制三维散点图
# surf = ax.contourf(xi, yi, zi, zdim='z',offset=0.3, cmap='BuPu')   #等高线面图（contourf）或等高线图（contour），要设置offset，为Z的最小值，
fig.colorbar(surf)
ax.set_title('三维图')
ax.set_zlim3d(np.min(z), np.max(z))
plt.show()

Gráficas 3D de superficie, dispersión y contorno

3. Use xyz para realizar un dibujo de contorno tridimensional, un mapa de contorno tridimensional de lluvia

filename = r'D:\project\PythonProject\ECL\data\geochemical-data\0.txt'  # 数据文件地址，附件1
df = pd.read_csv(filename, sep="\t")  # 读取文件
df1 = df["1"]  # 读取第一列数据
df2 = df['2']  # 读取第二列数据
df3 = df['3']  # 读取第三列数据
odf1 = np.linspace(100, 1900, 50)  # 设置网格经度
odf2 = np.linspace(10, 600, 50)  # 设置网格纬度
odf1, odf2 = np.meshgrid(odf1, odf2)  # 网格化，生成网络,生成网格形状是第一个维度对应odf1，第二个维度对应odf2
func = Rbf(df1, df2,df3, function='linear')  # 定义插值函数plt.cm.hot
odf3_new = func(odf1, odf2)  # 获得插值后的网格累计降水量
fig = plt.figure(figsize=(12, 7))
ax1 = plt.axes(projection='3d')  # 创建三维坐标轴
ax1.plot_surface(odf1, odf2, odf3_new,alpha=0.3,cmap='rainbow') #绘制三维曲面,alpha-控制透明度,cmap-控制颜色
# 绘制z方向投影填充图，等高线面图，投到x-y平面，offset为z最小值。
cs=plt.contourf(odf1, odf2, odf3_new,zdir='z',offset=0,
             levels=np.arange(odf3_new.min(), odf3_new.max(), (odf3_new.max() - odf3_new.min()) / 10), cmap='GnBu',
             extend='both')  # 画图
# 绘制等高线图
line = plt.contour(odf1, odf2, odf3_new,zdir='z',offset=0,cmap="rainbow",levels=np.arange(odf3_new.min(), odf3_new.max(), (odf3_new.max() - odf3_new.min()) / 10))
plt.clabel(line, inline=True, fontsize=12)
ax1.set_title('降雨量三维等值线图')
plt.colorbar(cs)
plt.show()

Representaciones y formatos de datos

4. Dibujar líneas de contorno bidimensionales

# 绘制二维等值线
levels = np.linspace(np.min(z), np.max(z), 50)
fig, ax = plt.subplots(figsize=(8, 6))

# # 1.设置颜色条  第一种方式
# print(cm.colors.cnames)
# 默认颜色标如 jet，coolwarm，gnuplot2_r,RdBu_r,PuBuGn_r,ocean_r，输入的颜色名称错误时，会自动输出色标的列表
cmap = cm.get_cmap('seismic_r')
# cmap = cm.get_cmap('jet', 10)  # 将色条分成10截
norm = cm.colors.Normalize(vmin=np.min(z), vmax=np.max(z))  # 设置色条表示的数值范围
im1 = cm.ScalarMappable(norm=norm, cmap=cmap)               # 设置映射很重要
# # 绘制颜色条(left, bottom, width, height)--表示figure的百分比,从figure 从横向92%，纵向10%的位置开始绘制, 宽是figure的3%，高是figure的78%,
ax9 = fig.add_axes([0.92, 0.1, 0.03, 0.78])
cb = plt.colorbar(im1, cax=ax9, orientation='vertical', extend='neither') #纵向绘制，两端无箭头
# ticks与norm对应
# # cb = plt.colorbar(im1, cax=ax9, orientation='horizontal', extend='max', ticks=np.linspace(1900,2600, 51))
# cs = ax.contour(xi, yi, zi, levels=levels, cmap=cmap)         # 不存在颜色间隔分段，并指定颜色条
# cs = ax.contour(xi, yi, zi, levels=levels,cmap='coolwarm')  # 存在颜色间隔分段
cs = ax.contourf(xi, yi, zi, levels=levels,cmap='jet',extend='neither') # 等值线填充
ax.clabel(cs, inline=True, fontsize=6)
ax.set_title('等高线图')
plt.show()

# # 2.设置颜色条 第二种方式
# cs = ax.contourf(xi, yi, zi, levels=levels, cmap='jet', extend='neither')  # 等值线填充，存在颜色间隔分段
# # ax.clabel(cs, inline=True, fontsize=6)
# ax.set_title('等高线图')
# plt.colorbar(cs)
# plt.show()

Dos mapas de contorno 2D

5. Dibuja un diagrama de línea de corriente vectorial

# 1.矢量场流线图 样例
# 0:5表示数组中数值所在的区间。100j表示划分的密度，值越大，图片越清晰
Y1, X1 = np.mgrid[-5:5:1000j, -5:5:10j]
# （X,Y）是一维numpy数组的等距网格，（U,V）参数匹配的是（X,Y）速率的二维numpy数组
# U,V矩阵在维度上的行数必须等于Y的长度，列的数量必须匹配X的长度
U = -1 - X1 ** 2 + Y1
V = 1 + X1 - Y1 ** 2
# 可视化矢量场
# 矢量场中的种子点坐标
seed_points = np.array([[-2, -1, 0, 1, 2, -1], [-2, -1, 0, 1, 2, 2]]) # 种子点
# cs=plt.streamplot(X1, Y1, U, V,density=[0.5,1],color=U,cmap="autumn",linewidth=1,start_points=seed_points.T)
cs = plt.streamplot(X1, Y1, U, V, color=U, cmap="Accent", linewidth=1)
# plt.plot(seed_points[0], seed_points[1], "+", color="g") # 绘制折线图，使用marker属性标记
plt.colorbar()
plt.show()

# 2.用实际数据进行绘制,UV如何计算得到，要根据不同的目的进行计算。
U,V=vectorComputeUV(xi,yi,zi)
cs = plt.streamplot(xi, yi, U, V, color=U, cmap="Accent", linewidth=1)
# cs = plt.quiver(xi, yi, U, V)
plt.colorbar()
plt.show()

# 计算矢量场的速度矢量
def vectorComputeUV(xi,yi,zi):
    # U = np.log10((xi/10000)) - zi/1000
    # V = 1 + np.log10(yi/100000) - (zi/1000) ** 3
    U = -1 - (xi/10000) ** 2 + (yi/100000)
    V = 1 + (xi/10000)  - (yi/100000) ** 2
    return U,V

Representaciones de ejemplo y diagramas de casos de datos reales

apéndice

1. Descripción del parámetro scipy.interpolate.griddata

scipy.interpolate.griddata的参数说明如下
插入非结构化D-D 数据
    points： 具有形状 (n, D) 的浮点数的二维 ndarray，或具有形状 (n,) 的一维 ndarray 的长度 D 元组。
    数据点坐标。
    values： 浮点数或复数的ndarray，形状(n，)
    数据值。
    xi： 具有形状 (m, D) 或长度为 D 的 ndarray 元组的二维 ndarray 可广播到相同形状。
    插入数据的点。
    method： {‘linear’, ‘nearest’, ‘cubic’}，可选
    插值方法。之一
    fill_value： 浮点数，可选
    用于填充输入点凸包之外的请求点的值。如果未提供，则默认值为 nan 。此选项对‘nearest’ 方法无效。
    rescale： 布尔型，可选
    在执行插值之前将点重新缩放到单位立方体。如果某些输入维度具有不可比较的单位并且相差许多数量级，这将很有用。
返回
    ndarray
    插值数组。

2. descripción del parámetro streamplot()

matplotlib.pyplot.streamplot()参数说明如下：
　　x，y：表示间距均匀的网格数据。
　　u，v：表示(x, y)速率的二维数组。
　　density：表示流线的密度，默认为1。
   color：表示流线颜色。一般设置为U
   cmap:表示线条颜色系，一般有'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu_r', 'Greens'
　　linewidth：表示流线的宽度。
　　arrowsize：表示箭头的大小。
　　arrowstyle：表示箭头的类型。
　　minlength：表示流线的最小长度。
　　maxlength：表示流线的最大长度。