当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib等高线图及其图例：全面掌握数据可视化技巧

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

参考：matplotlib contour legend

Matplotlib是Python中最流行的数据可视化库之一，而等高线图（contour plot）是其中一个强大的功能，用于展示三维数据在二维平面上的投影。本文将深入探讨Matplotlib中的等高线图及其图例（legend）的使用方法，帮助您更好地理解和应用这一数据可视化技术。

1. 等高线图的基本概念

等高线图是一种用于表示三维表面的二维图形。它通过在二维平面上绘制等高线来表示三维表面的高度或值的变化。等高线是连接具有相同高度或值的点的曲线。

在Matplotlib中，我们可以使用contour()函数来创建等高线图。以下是一个简单的示例：

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
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=(8, 6))
contour = plt.contour(X, Y, Z)
plt.title('How to create a contour plot - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们首先创建了一个二维网格（X和Y），然后计算了对应的Z值。plt.contour()函数接受这三个参数来绘制等高线图。

2. 自定义等高线

Matplotlib允许我们自定义等高线的外观和行为。以下是一些常用的自定义选项：

2.1 设置等高线数量

我们可以通过levels参数来控制等高线的数量：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=20)
plt.title('Contour plot with 20 levels - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们将等高线的数量设置为20。

2.2 自定义等高线颜色

我们可以使用colors参数来自定义等高线的颜色：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, colors='red')
plt.title('Contour plot with red lines - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子将所有等高线的颜色设置为红色。

2.3 填充等高线

我们可以使用contourf()函数来填充等高线之间的区域：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contourf = plt.contourf(X, Y, Z)
plt.title('Filled contour plot - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.colorbar(label='Z')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子使用contourf()函数创建了一个填充的等高线图，并添加了一个颜色条来显示Z值的范围。

3. 等高线标签

为了更好地理解等高线图，我们通常需要为等高线添加标签。Matplotlib提供了clabel()函数来实现这一功能：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z)
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with labels - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们使用plt.clabel()函数为等高线添加了标签。inline=True参数确保标签位于等高线内部，fontsize=8设置标签的字体大小。

4. 等高线图例

图例是数据可视化中的重要组成部分，它帮助读者理解图表中不同元素的含义。在等高线图中，我们可以为不同的等高线添加图例。

4.1 基本图例

以下是一个添加基本图例的例子：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=[-0.5, 0, 0.5])
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with legend - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')

# 添加图例
legend_elements = [plt.Line2D([0], [0], color=c, label=f'Level {l:.1f}')
                   for c, l in zip(contour.colors, contour.levels)]
plt.legend(handles=legend_elements)

plt.show()

在这个例子中，我们为三个特定的等高线级别（-0.5, 0, 0.5）创建了图例。我们使用plt.Line2D对象来创建图例元素，然后使用plt.legend()函数添加图例。

4.2 自定义图例

我们可以进一步自定义图例的外观和位置：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=[-0.5, 0, 0.5], colors=['blue', 'green', 'red'])
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with custom legend - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')

# 添加自定义图例
legend_elements = [plt.Line2D([0], [0], color=c, label=f'Level {l:.1f}')
                   for c, l in zip(contour.colors, contour.levels)]
plt.legend(handles=legend_elements, loc='lower right', title='Contour Levels')

plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们为每个等高线级别指定了不同的颜色，并将图例放置在右下角。我们还为图例添加了一个标题。

5. 组合等高线图和其他图表类型

Matplotlib的强大之处在于它允许我们将不同类型的图表组合在一起。以下是一个将等高线图与散点图结合的例子：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=10, cmap='viridis')
plt.clabel(contour, inline=True, fontsize=8)

# 添加散点图
scatter_x = np.random.uniform(-5, 5, 50)
scatter_y = np.random.uniform(-5, 5, 50)
plt.scatter(scatter_x, scatter_y, c='red', s=20, label='Data Points')

plt.title('Contour plot with scatter plot - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.colorbar(contour, label='Z')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们在等高线图上添加了一些随机生成的数据点。这种组合可以帮助我们同时观察整体趋势和具体数据点的分布。

6. 3D等高线图

虽然等高线图通常用于在2D平面上表示3D数据，但Matplotlib也支持创建3D等高线图：

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

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))

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 绘制3D表面
surface = ax.plot_surface(X, Y, Z, cmap='viridis')

# 添加等高线
contour = ax.contour(X, Y, Z, zdir='z', offset=-1, cmap='viridis')

ax.set_title('3D surface with contour - how2matplotlib.com')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
fig.colorbar(surface, shrink=0.5, aspect=5)

plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子创建了一个3D表面图，并在其底部添加了对应的等高线图。这种表示方法可以同时展示3D表面的形状和等高线的分布。

7. 等高线图的应用场景

等高线图在许多领域都有广泛的应用，以下是一些常见的应用场景：

  1. 地形图：在地理学中，等高线图用于表示地形的高度变化。

  2. 气象学：等高线图可以用来表示气压、温度等气象参数的分布。

  3. 热图：在热传导分析中，等高线图可以用来表示温度分布。

  4. 磁场分析：等高线图可以用来表示磁场强度的分布。

  5. 优化问题：在数学优化中，等高线图可以用来可视化目标函数的景观。

以下是一个模拟地形图的例子：

import numpy as np
import matplotlib.pyplot as plt

def terrain(x, y):
    return np.sin(0.1*x) + np.cos(0.1*y) + np.exp(-((x-50)**2 + (y-50)**2) / 1000)

x = np.linspace(0, 100, 100)
y = np.linspace(0, 100, 100)
X, Y = np.meshgrid(x, y)
Z = terrain(X, Y)

plt.figure(figsize=(10, 8))
contour = plt.contour(X, Y, Z, levels=15, cmap='terrain')
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Simulated Terrain Map - how2matplotlib.com')
plt.xlabel('X (km)')
plt.ylabel('Y (km)')
plt.colorbar(contour, label='Elevation (m)')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子模拟了一个简单的地形图，使用等高线来表示不同的海拔高度。

8. 高级技巧

8.1 使用不同的颜色映射

Matplotlib提供了多种颜色映射（colormap），可以用来增强等高线图的视觉效果：

import numpy as np
import matplotlib.pyplot as plt

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))

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

contour1 = ax1.contourf(X, Y, Z, cmap='viridis')
ax1.set_title('Viridis colormap - how2matplotlib.com')
fig.colorbar(contour1, ax=ax1)

contour2 = ax2.contourf(X, Y, Z, cmap='coolwarm')
ax2.set_title('Coolwarm colormap - how2matplotlib.com')
fig.colorbar(contour2, ax=ax2)

plt.tight_layout()
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子展示了两种不同的颜色映射（’viridis’和’coolwarm’）在同一数据集上的效果。

8.2 添加等高线标签的格式化

我们可以自定义等高线标签的格式：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=10)
plt.clabel(contour, inline=True, fontsize=8, fmt='%.2f')
plt.title('Contour plot with formatted labels - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

在这个例子中，我们使用fmt='%.2f'参数来将等高线标签格式化为两位小数。

8.3 使用对数刻度

对于某些数据集，使用对数刻度可能更合适：

import numpy as np
import matplotlib.pyplot as plt

x = np.logspace(0, 2, 100)
y = np.logspace(0, 2, 100)
X, Y = np.meshgrid(x, y)
Z = np.log(X * Y)

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=10)
plt.clabel(contour, inline=True, fontsize=8)
plt.xscale('log')
plt.yscale('log')
plt.title('Contour plot with logarithmic scales - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子使用对数刻度来展示数据，这在处理跨越多个数量级的数据时特别有用。

8.4 自定义等高线样式

我们可以自定义等高线的样式，如线型、线宽等：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=10, linestyles=['solid', 'dashed', 'dotted'],
                      linewidths=[2, 1, 0.5], colors=['red', 'green', 'blue'])
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with custom line styles - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子展示了如何为不同的等高线设置不同的线型、线宽和颜色。

9. 性能优化

当处理大型数据集时，等高线图的绘制可能会变得很慢。以下是一些提高性能的技巧：

9.1 使用适当的数据采样

对于非常大的数据集，可以考虑在绘图之前对数据进行采样：

import numpy as np
import matplotlib.pyplot as plt

# 创建大型数据集
x = np.linspace(-10, 10, 1000)
y = np.linspace(-10, 10, 1000)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 采样
step = 5
X_sampled = X[::step, ::step]
Y_sampled = Y[::step, ::step]
Z_sampled = Z[::step, ::step]

plt.figure(figsize=(8, 6))
contour = plt.contour(X_sampled, Y_sampled, Z_sampled, levels=20)
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with sampled data - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子通过每隔5个点取一个样本来减少数据量，从而提高绘图速度。

9.2 使用locator

Matplotlib的locator可以帮助我们更智能地选择等高线级别：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, locator=plt.MaxNLocator(10))
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with MaxNLocator - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

在这个例子中，我们使用MaxNLocator来自动选择最多10个等高线级别。

10. 结合其他Matplotlib功能

等高线图可以与Matplotlib的其他功能结合使用，以创建更复杂和信息丰富的可视化。

10.1 添加文本注释

我们可以在等高线图上添加文本注释来突出显示特定区域：

import numpy as np
import matplotlib.pyplot as plt

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))

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, levels=10)
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Contour plot with annotations - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')

# 添加注释
plt.annotate('Peak', xy=(0, 0), xytext=(2, 2),
             arrowprops=dict(facecolor='black', shrink=0.05))

plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子在等高线图上添加了一个指向峰值的注释。

10.2 使用子图

我们可以使用子图来并排比较不同的等高线图：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z1 = np.sin(np.sqrt(X**2 + Y**2))
Z2 = np.cos(np.sqrt(X**2 + Y**2))

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

contour1 = ax1.contour(X, Y, Z1, levels=10)
ax1.clabel(contour1, inline=True, fontsize=8)
ax1.set_title('Sin function - how2matplotlib.com')

contour2 = ax2.contour(X, Y, Z2, levels=10)
ax2.clabel(contour2, inline=True, fontsize=8)
ax2.set_title('Cos function - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib等高线图及其图例：全面掌握数据可视化技巧

这个例子创建了两个子图，分别显示正弦和余弦函数的等高线图。

结论

Matplotlib的等高线图功能为我们提供了强大的工具来可视化三维数据。通过本文介绍的各种技巧和方法，您应该能够创建出既美观又信息丰富的等高线图。记住，实践是掌握这些技能的关键。尝试使用不同的数据集和参数来创建等高线图，并探索Matplotlib提供的其他功能。随着经验的积累，您将能够更加灵活和创造性地使用等高线图来展示您的数据。

无论您是在进行科学研究、数据分析还是仅仅是探索数据可视化的乐趣，熟练掌握Matplotlib的等高线图及其图例功能都将大大提升您的数据展示能力。希望本文能够帮助您更好地理解和应用这一强大的可视化工具。

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