Python实现在不同坐标系中绘制曲线
作者：微小冷
平面直角坐标系
回顾我们的数据可视化的学习历程，其实始于笛卡尔坐标系的创建，并由此建立了数与形的对应关系。在笛卡尔坐标系中随便点上一点，这个点天生具备坐标，从而与数对(x,y)完成映射，这就是最基础的散点图。将点连在一起，便是折线图。
但在matplotlib中，折线图反而比散点图更加基础，因为散点图至少需要两组一一对应的X和Y坐标，而折线图在只接受一组数据的情况下，便会默认自然数列为x坐标，从而绘图过程更加遍历
import numpy as np import matplotlib.pyplot as plt ys = np.arange(100)**2 plt.plot(ys) plt.show()
空间直角坐标系
将曲线绘制在三维坐标系中的方法有两个，尽管从思维的角度出发，直接绘制比较方便，但从matplotlib的绘图逻辑来说，最简单的方案是把二维坐标系嵌入到三维坐标系中，换言之，为其指定一个额外的轴。
xs = np.linspace(0, 1, 100)
ys = np.sin(xs * 2 * np.pi) / 2 + 0.5
fig = plt.figure()
zs = ['x', 'y', 'z']
for i, z in enumerate(zs, 1):
ax = fig.add_subplot(1,3,i, projection='3d')
ax.plot(xs, ys, zs=0, zdir=z)
ax.set_zlim(0,1)
ax.set_xlim(0,1)
ax.set_ylim(0,1)
plt.show()在上面的代码中，调用的仍旧是plot，但是用zdir参数指定了z轴方向，当为z轴设置不同的方向时，曲线所嵌入到的三维直角坐标系的坐标平面是不同的。
很显然，这是个伪3D曲线，但plot函数是有实力绘制真正的三维曲线的，无非多一个坐标轴而已
xs = np.linspace(0, 5, 100) ys = np.sin(xs * 2 * np.pi) / 2 + 0.5 zs = np.cos(xs * 2 * np.pi) / 2 + 0.5 ax = plt.subplot(projection='3d') ax.plot(xs, ys, zs) plt.show()
效果如下
极坐标
极坐标的建立与三维直角坐标系的建立是相同的，均以指定projection的形式实现
r = np.arange(0, 2, 0.01) theta = 2 * np.pi * r ax = plt.subplot(projection='polar') ax.plot(theta, r) plt.show()
绘图结果如下
在极坐标中绘图时，plot函数保留了默认自变量的功能，试验一下就清楚了
ax = plt.subplot(projection='polar') ax.plot(r) plt.show()
下图中，由于默认 θ \theta θ的增长步长为1，这对于每圈 2 π 2\pi 2π的极坐标来说是非常大的一个量，故而图形在绘制过程中出现了不可避免的曲折。
但matplotlib并没有封装一个拿来就能用的柱坐标或者球坐标，除非自己在三维直角坐标系中实现一个。
地理坐标
projection的含义是投影，除了3D坐标和极坐标之外，还支持多种地理坐标，例如汉迈尔-埃托夫投影等，下面就列举几个不同的地理坐标，并在其中进行
projs = ['aitoff', 'hammer', 'lambert', 'mollweide']
fig = plt.figure()
xs = ys = np.arange(-2,2,0.01)
for i, p in enumerate(projs, 1):
ax = fig.add_subplot(2,2,i,projection=p)
ax.plot(xs, ys)
plt.title(p)
plt.grid()
plt.show()
到此这篇关于Python实现在不同坐标系中绘制曲线的文章就介绍到这了,更多相关Python曲线内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！