当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

参考：matplotlib contour from points

Matplotlib是Python中最流行的数据可视化库之一，它提供了强大的绘图功能，包括绘制等高线图。等高线图是一种用于表示三维数据在二维平面上的投影的图形，广泛应用于地形图、天气图、热力图等领域。本文将详细介绍如何使用Matplotlib从离散点数据绘制等高线图，涵盖从基础概念到高级技巧的全面内容。

1. 等高线图的基本概念

等高线图是一种将三维数据在二维平面上可视化的方法。它通过连接具有相同高度（或值）的点来创建等高线，从而展示数据的分布和变化趋势。在Matplotlib中，我们可以使用contour和contourf函数来绘制等高线图。

让我们从一个简单的例子开始：

import numpy as np
import matplotlib.pyplot as plt

# 创建数据点
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))

# 绘制等高线图
plt.figure(figsize=(10, 8))
contour = plt.contour(X, Y, Z, levels=20)
plt.colorbar(contour, label='Z value')
plt.title('How2matplotlib.com: Basic Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们首先创建了一个网格数据，然后使用contour函数绘制等高线。levels参数指定了等高线的数量。

2. 从离散点生成等高线

在实际应用中，我们经常需要从离散的数据点生成等高线图。这时，我们需要先将离散点插值到规则网格上。Scipy库的griddata函数可以帮助我们完成这个任务。

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata

# 生成随机离散点
np.random.seed(0)
points = np.random.rand(1000, 2)
values = np.sin(5 * points[:, 0]) + np.cos(5 * points[:, 1])

# 创建网格
grid_x, grid_y = np.mgrid[0:1:100j, 0:1:100j]

# 插值
grid_z = griddata(points, values, (grid_x, grid_y), method='cubic')

# 绘制等高线图
plt.figure(figsize=(10, 8))
contour = plt.contour(grid_x, grid_y, grid_z, levels=20)
plt.colorbar(contour, label='Z value')
plt.scatter(points[:, 0], points[:, 1], c='red', s=1, alpha=0.5)
plt.title('How2matplotlib.com: Contour Plot from Scattered Points')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子展示了如何从随机生成的离散点创建等高线图。我们使用griddata函数将离散点插值到规则网格上，然后使用contour函数绘制等高线。

3. 自定义等高线样式

Matplotlib提供了多种方式来自定义等高线的样式，包括颜色、线型、标签等。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = X**2 + Y**2

# 绘制自定义样式的等高线图
plt.figure(figsize=(10, 8))
contour = plt.contour(X, Y, Z, levels=[0.5, 1, 2, 4, 8], 
                      colors=['r', 'g', 'b', 'c', 'm'],
                      linestyles=['solid', 'dashed', 'dashdot', 'dotted', 'solid'],
                      linewidths=[1, 2, 3, 2, 1])
plt.clabel(contour, inline=True, fontsize=10)
plt.title('How2matplotlib.com: Custom Contour Styles')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们自定义了等高线的级别、颜色、线型和线宽。clabel函数用于在等高线上添加标签。

4. 填充等高线

除了线条等高线，我们还可以使用填充等高线来更直观地展示数据分布。这可以通过contourf函数实现。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 绘制填充等高线图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(X, Y, Z, levels=20, cmap='RdYlBu_r')
plt.colorbar(contourf, label='Z value')
plt.title('How2matplotlib.com: Filled Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子展示了如何使用contourf函数创建填充等高线图。cmap参数用于指定颜色映射。

5. 结合等高线和填充等高线

我们可以将线条等高线和填充等高线结合起来，以获得更丰富的视觉效果。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X**2 + Y**2))

# 绘制结合填充和线条的等高线图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(X, Y, Z, levels=20, cmap='viridis', alpha=0.8)
contour = plt.contour(X, Y, Z, levels=20, colors='k', linewidths=0.5)
plt.clabel(contour, inline=True, fontsize=8, fmt='%.2f')
plt.colorbar(contourf, label='Z value')
plt.title('How2matplotlib.com: Combined Filled and Line Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们首先使用contourf绘制填充等高线，然后使用contour在其上叠加线条等高线。

6. 3D等高线图

Matplotlib还支持在3D空间中绘制等高线图，这可以通过mpl_toolkits.mplot3d模块实现。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘制3D等高线图
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')
contour = ax.contour(X, Y, Z, levels=20, cmap='viridis')
ax.set_title('How2matplotlib.com: 3D Contour Plot')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子展示了如何在3D空间中绘制等高线图。注意我们使用了projection='3d'参数来创建3D坐标系。

7. 等高线图与散点图结合

在某些情况下，我们可能希望在等高线图上叠加原始数据点。这可以帮助我们直观地了解数据分布和插值效果。

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata

# 生成随机离散点
np.random.seed(0)
points = np.random.rand(500, 2)
values = np.sin(5 * points[:, 0]) + np.cos(5 * points[:, 1])

# 创建网格
grid_x, grid_y = np.mgrid[0:1:100j, 0:1:100j]

# 插值
grid_z = griddata(points, values, (grid_x, grid_y), method='cubic')

# 绘制等高线图和散点图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(grid_x, grid_y, grid_z, levels=20, cmap='viridis', alpha=0.8)
plt.colorbar(contourf, label='Z value')
plt.scatter(points[:, 0], points[:, 1], c=values, cmap='viridis', s=20, edgecolors='k')
plt.title('How2matplotlib.com: Contour Plot with Scattered Points')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们首先绘制了填充等高线图，然后在其上叠加了原始数据点。散点的颜色与等高线的颜色映射相同，这有助于直观地比较插值结果和原始数据。

8. 等高线图的标签和注释

为等高线添加标签和注释可以提供更多的信息，使图表更易理解。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = X**2 - Y**2

# 绘制等高线图并添加标签
plt.figure(figsize=(10, 8))
contour = plt.contour(X, Y, Z, levels=[-2, -1, 0, 1, 2], colors='k')
plt.clabel(contour, inline=True, fontsize=10, fmt='%1.1f')
plt.contourf(X, Y, Z, levels=20, cmap='RdBu_r', alpha=0.8)
plt.colorbar(label='Z value')
plt.title('How2matplotlib.com: Contour Plot with Labels')
plt.xlabel('X')
plt.ylabel('Y')

# 添加注释
plt.annotate('Saddle point', xy=(0, 0), xytext=(1, 1),
             arrowprops=dict(facecolor='black', shrink=0.05))

plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们使用clabel函数为等高线添加了标签，并使用annotate函数添加了一个指向鞍点的注释。

9. 等高线图的颜色映射

选择合适的颜色映射对于有效地传达数据信息至关重要。Matplotlib提供了多种内置的颜色映射，我们还可以创建自定义的颜色映射。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 创建自定义颜色映射
colors = ['blue', 'white', 'red']
n_bins = 100
cmap = LinearSegmentedColormap.from_list('custom_cmap', colors, N=n_bins)

# 绘制等高线图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(X, Y, Z, levels=20, cmap=cmap)
plt.colorbar(contourf, label='Z value')
plt.title('How2matplotlib.com: Contour Plot with Custom Colormap')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子展示了如何创建和使用自定义的颜色映射。我们定义了一个从蓝色到白色再到红色的渐变色映射。

10. 等高线图的边界和掩码

在某些情况下，我们可能只想显示数据的特定区域，或者需要处理包含缺失值的数据。Matplotlib提供了处理这些情况的方法。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 创建掩码
mask = X**2 + Y**2 > 4

# 应用掩码
Z_masked = np.ma.array(Z, mask=mask)

# 绘制等高线图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(X, Y, Z_masked, levels=20, cmap='viridis', extend='both')
plt.colorbar(contourf, label='Z value')
plt.title('How2matplotlib.com: Contour Plot with Masked Data')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们创建了一个圆形掩码，只显示圆内的数据。extend='both'参数确保颜色条包括超出等高线范围的值。

11. 等高线图的动画

动态等高线图可以帮助我们可视化随时间变化的数据。Matplotlib的动画模块可以用来创建等高线图的动画。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)

# 初始化图形
fig, ax = plt.subplots(figsize=(10, 8))
contourf = ax.contourf(X, Y, np.zeros_like(X), levels=20, cmap='viridis')
plt.colorbar(contourf, label='Z value')
ax.set_title('How2matplotlib.com: Animated Contour Plot')
ax.set_xlabel('X')
ax.set_ylabel('Y')

# 更新函数
def update(frame):
    Z = np.sin(X + frame/10) * np.cos(Y + frame/10)
    ax.clear()
    contourf = ax.contourf(X, Y, Z, levels=20, cmap='viridis')
    ax.set_title(f'How2matplotlib.com: Animated Contour Plot (Frame {frame})')
    ax.set_xlabel('X')
    ax.set_ylabel('Y')
    return contourf,

# 创建动画
anim = FuncAnimation(fig, update, frames=100, interval=50, blit=True)
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子创建了一个动态的等高线图，展示了随时间变化的正弦余弦函数。FuncAnimation函数用于创建动画，update函数定义了每一帧的更新方式。

12. 多子图等高线

在某些情况下，我们可能需要在同一个图形中比较多个等高线图。Matplotlib允许我们创建包含多个子图的图形。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z1 = np.sin(X) * np.cos(Y)
Z2 = X**2 - Y**2
Z3 = np.exp(-(X**2 + Y**2))

# 创建多子图
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(18, 6))

# 绘制第一个子图
contourf1 = ax1.contourf(X, Y, Z1, levels=20, cmap='viridis')
ax1.set_title('How2matplotlib.com: Sin(X) * Cos(Y)')
ax1.set_xlabel('X')
ax1.set_ylabel('Y')
plt.colorbar(contourf1, ax=ax1)

# 绘制第二个子图
contourf2 = ax2.contourf(X, Y, Z2, levels=20, cmap='RdBu_r')
ax2.set_title('How2matplotlib.com: X^2 - Y^2')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
plt.colorbar(contourf2, ax=ax2)

# 绘制第三个子图
contourf3 = ax3.contourf(X, Y, Z3, levels=20, cmap='plasma')
ax3.set_title('How2matplotlib.com: exp(-(X^2 + Y^2))')
ax3.set_xlabel('X')
ax3.set_ylabel('Y')
plt.colorbar(contourf3, ax=ax3)

plt.tight_layout()
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子创建了一个包含三个子图的图形，每个子图显示不同的函数的等高线图。

13. 等高线图与其他图表类型的结合

等高线图可以与其他类型的图表结合，以提供更丰富的数据可视化。例如，我们可以将等高线图与散点图或向量场结合。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-3, 3, 20)
y = np.linspace(-3, 3, 20)
X, Y = np.meshgrid(x, y)
Z = X*np.exp(-X**2 - Y**2)

# 计算梯度
dx, dy = np.gradient(Z)

# 创建图形
fig, ax = plt.subplots(figsize=(10, 8))

# 绘制等高线图
contourf = ax.contourf(X, Y, Z, levels=20, cmap='RdBu_r', alpha=0.8)
plt.colorbar(contourf, label='Z value')

# 绘制向量场
ax.quiver(X, Y, dx, dy, color='k', scale=50, width=0.002)

# 添加一些随机点
np.random.seed(0)
scatter_x = np.random.uniform(-3, 3, 50)
scatter_y = np.random.uniform(-3, 3, 50)
ax.scatter(scatter_x, scatter_y, c='red', s=20, zorder=5)

ax.set_title('How2matplotlib.com: Contour Plot with Vector Field and Scatter')
ax.set_xlabel('X')
ax.set_ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子结合了等高线图、向量场和散点图。等高线图显示了函数值的分布，向量场显示了函数的梯度，散点图可以表示一些特定的数据点。

14. 处理不规则网格数据

有时，我们可能需要处理不在规则网格上的数据。在这种情况下，我们可以使用三角剖分来创建等高线图。

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import Delaunay

# 创建不规则数据点
np.random.seed(0)
points = np.random.rand(1000, 2)
values = np.sin(5 * points[:, 0]) + np.cos(5 * points[:, 1])

# 创建三角剖分
tri = Delaunay(points)

# 绘制等高线图
plt.figure(figsize=(10, 8))
contourf = plt.tricontourf(points[:, 0], points[:, 1], values, 
                           triangles=tri.simplices, levels=20, cmap='viridis')
plt.colorbar(contourf, label='Z value')
plt.scatter(points[:, 0], points[:, 1], c='red', s=1, alpha=0.5)
plt.title('How2matplotlib.com: Contour Plot from Irregular Grid')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子使用tricontourf函数从不规则网格数据创建等高线图。我们首先使用Delaunay三角剖分来处理不规则点，然后基于这个三角剖分创建等高线图。

15. 等高线图的性能优化

当处理大量数据点时，等高线图的绘制可能会变得很慢。有几种方法可以优化性能：

  1. 减少数据点的数量
  2. 使用更简单的插值方法
  3. 使用locator参数来减少等高线的数量
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocator

# 创建大量数据点
x = np.linspace(-5, 5, 500)
y = np.linspace(-5, 5, 500)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘制优化后的等高线图
plt.figure(figsize=(10, 8))
contourf = plt.contourf(X, Y, Z, locator=MaxNLocator(nbins=15), cmap='viridis')
plt.colorbar(contourf, label='Z value')
plt.title('How2matplotlib.com: Optimized Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

在这个例子中，我们使用MaxNLocator来限制等高线的数量，这可以显著提高大数据集的绘图速度。

16. 等高线图的交互性

Matplotlib提供了一些交互式工具，可以帮助用户更好地探索等高线图。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.widgets import Slider

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)

# 创建图形
fig, ax = plt.subplots(figsize=(10, 8))
plt.subplots_adjust(bottom=0.25)

# 初始参数
freq = 1

# 计算Z值的函数
def compute_z(freq):
    return np.sin(freq * X) * np.cos(freq * Y)

# 初始绘图
Z = compute_z(freq)
contourf = ax.contourf(X, Y, Z, levels=20, cmap='viridis')
plt.colorbar(contourf, label='Z value')
ax.set_title('How2matplotlib.com: Interactive Contour Plot')
ax.set_xlabel('X')
ax.set_ylabel('Y')

# 创建滑块
ax_freq = plt.axes([0.25, 0.1, 0.65, 0.03])
slider = Slider(ax_freq, 'Frequency', 0.1, 5.0, valinit=freq)

# 更新函数
def update(val):
    freq = slider.val
    Z = compute_z(freq)
    ax.clear()
    contourf = ax.contourf(X, Y, Z, levels=20, cmap='viridis')
    ax.set_title('How2matplotlib.com: Interactive Contour Plot')
    ax.set_xlabel('X')
    ax.set_ylabel('Y')

slider.on_changed(update)

plt.show()

Output:

Matplotlib绘制基于离散点的等高线图：从基础到高级技巧

这个例子创建了一个交互式的等高线图，用户可以通过滑块来调整函数的频率，实时看到等高线图的变化。

结论

本文详细介绍了如何使用Matplotlib从离散点数据绘制等高线图，涵盖了从基础概念到高级技巧的多个方面。我们学习了如何创建基本的等高线图，如何处理离散点数据，如何自定义等高线的样式，以及如何结合其他图表类型。我们还探讨了等高线图的动画、多子图布局、性能优化和交互性等高级主题。

等高线图是一种强大的数据可视化工具，可以帮助我们理解复杂的三维数据关系。通过掌握本文介绍的技巧，你将能够创建更加丰富、信息量更大的等高线图，从而更好地展示和分析你的数据。

记住，创建有效的等高线图不仅需要技术skills，还需要对数据有深入的理解。选择合适的颜色映射、等高线级别和其他视觉元素，都可以极大地提高图表的可读性和信息传达效果。希望这篇文章能够帮助你在使用Matplotlib创建等高线图时得心应手，创作出既美观又富有洞察力的数据可视化作品。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程