当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib中使用plot_surface绘制三维表面图

Matplotlib中使用plot_surface绘制三维表面图

Matplotlib中使用plot_surface绘制三维表面图

参考：matplotlib plot_surface

matplotlib plot_surface是Matplotlib库中用于绘制三维表面图的强大函数。它允许我们将三维数据可视化为连续的表面，非常适合展示复杂的数学函数、地形数据或其他三维关系。本文将深入探讨plot_surface函数的使用方法、参数设置以及各种高级技巧，帮助你掌握这一强大的可视化工具。

1. plot_surface函数简介

plot_surface函数是Matplotlib的mplot3d工具包中的一个重要函数，用于创建三维表面图。它接受X、Y和Z坐标数据作为输入，并在三维空间中绘制出相应的表面。

以下是一个基本的plot_surface使用示例：

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

# 生成数据
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))

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

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='viridis')

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

# 设置标签
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.set_title('3D Surface Plot - how2matplotlib.com')

plt.show()

print("Plot displayed. Visit how2matplotlib.com for more examples.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个示例展示了如何使用plot_surface函数创建一个基本的三维表面图。我们首先生成了X、Y网格数据，然后计算Z值。使用add_subplot创建3D坐标系，最后调用plot_surface函数绘制表面。

2. 数据准备

在使用plot_surface之前，我们需要准备适当的数据。通常，我们需要三个二维数组：X、Y和Z。X和Y表示平面上的坐标，Z表示对应的高度值。

2.1 使用numpy.meshgrid生成网格数据

numpy.meshgrid函数是生成网格数据的常用方法。它接受两个一维数组作为输入，返回两个二维数组，分别表示X和Y坐标。

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

# 生成网格数据
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)

# 计算Z值
Z = np.sin(np.sqrt(X**2 + Y**2))

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

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='coolwarm')

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Meshgrid Example - how2matplotlib.com')
plt.show()

print("Meshgrid plot displayed. Visit how2matplotlib.com for more information.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

在这个例子中，我们使用np.linspace创建了x和y的一维数组，然后使用np.meshgrid生成了X和Y的二维网格。Z值通过对X和Y进行数学运算得到。

2.2 使用自定义函数生成数据

有时，我们可能需要使用自定义函数来生成Z值。这在可视化数学函数或复杂模型时特别有用。

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

def custom_function(x, y):
    return np.sin(x) * np.cos(y)

# 生成网格数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)

# 使用自定义函数计算Z值
Z = custom_function(X, Y)

# 创建3D图形
fig = plt.figure(figsize=(12, 9))
ax = fig.add_subplot(111, projection='3d')

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='plasma')

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Custom Function Surface - how2matplotlib.com')
plt.show()

print("Custom function surface plotted. Visit how2matplotlib.com for more examples.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

在这个例子中，我们定义了一个自定义函数custom_function，它接受x和y作为输入，返回z值。这种方法允许我们可视化任意复杂的数学函数。

3. plot_surface函数的主要参数

plot_surface函数有许多参数可以用来控制表面图的外观和行为。以下是一些最常用的参数：

3.1 cmap参数

cmap参数用于设置表面的颜色映射。Matplotlib提供了多种预定义的颜色映射，如’viridis’、’plasma’、’inferno’等。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# 使用不同的颜色映射
cmaps = ['viridis', 'plasma', 'inferno']

for i, cmap in enumerate(cmaps):
    ax = fig.add_subplot(131 + i, projection='3d')
    surf = ax.plot_surface(X, Y, Z, cmap=cmap)
    fig.colorbar(surf, shrink=0.5, aspect=5)
    ax.set_title(f'Colormap: {cmap}')

plt.suptitle('Different Colormaps - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Colormap comparison plotted. Visit how2matplotlib.com for more colormap options.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了三种不同颜色映射的效果。通过更改cmap参数，我们可以轻松地改变表面图的视觉效果。

3.2 rstride和cstride参数

rstride和cstride参数控制表面网格的密度。较小的值会产生更细致的网格，但可能会增加渲染时间。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# 不同的rstride和cstride值
strides = [(1, 1), (5, 5), (10, 10)]

for i, (rs, cs) in enumerate(strides):
    ax = fig.add_subplot(131 + i, projection='3d')
    surf = ax.plot_surface(X, Y, Z, rstride=rs, cstride=cs, cmap='viridis')
    fig.colorbar(surf, shrink=0.5, aspect=5)
    ax.set_title(f'rstride={rs}, cstride={cs}')

plt.suptitle('Different Stride Values - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Stride comparison plotted. Visit how2matplotlib.com for more information on surface plot parameters.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了不同rstride和cstride值对表面图细节的影响。较小的值会产生更细致的表面，但可能会增加计算负担。

3.3 alpha参数

alpha参数控制表面的透明度，取值范围从0（完全透明）到1（完全不透明）。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# 不同的alpha值
alphas = [0.3, 0.6, 0.9]

for i, alpha in enumerate(alphas):
    ax = fig.add_subplot(131 + i, projection='3d')
    surf1 = ax.plot_surface(X, Y, Z1, cmap='viridis', alpha=alpha)
    surf2 = ax.plot_surface(X, Y, Z2, cmap='plasma', alpha=alpha)
    ax.set_title(f'Alpha = {alpha}')

plt.suptitle('Different Alpha Values - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Alpha comparison plotted. Visit how2matplotlib.com for more examples on surface transparency.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了如何使用alpha参数来创建半透明的表面。这在绘制多个重叠表面时特别有用，可以帮助观察表面之间的关系。

4. 高级绘图技巧

除了基本的plot_surface用法，还有一些高级技巧可以帮助我们创建更复杂、更有吸引力的三维表面图。

4.1 添加等高线

我们可以在三维表面上添加等高线，以更好地展示高度变化。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(12, 9))
ax = fig.add_subplot(111, projection='3d')

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.8)

# 添加等高线
contours = ax.contour(X, Y, Z, zdir='z', offset=-2, cmap='coolwarm')
ax.set_zlim(-2, 2)

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Surface with Contours - how2matplotlib.com')
plt.show()

print("Surface with contours plotted. Visit how2matplotlib.com for more advanced plotting techniques.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

在这个例子中，我们使用contour函数在z=-2的平面上添加了等高线。这有助于更清晰地展示表面的高度变化。

4.2 组合多个图形元素

我们可以在同一个3D图形中组合多种不同的图形元素，如线条、散点等。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(12, 9))
ax = fig.add_subplot(111, projection='3d')

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.7)

# 添加等高线
contours = ax.contour(X, Y, Z, zdir='z', offset=-2, cmap='coolwarm')

# 添加散点
n = 20
xp = np.random.rand(n) * 10 - 5
yp = np.random.rand(n) * 10 - 5
zp = np.sin(np.sqrt(xp**2 + yp**2))
ax.scatter(xp, yp, zp, c='red', s=50, label='Data Points')

# 添加线条
t = np.linspace(0, 2*np.pi, 100)
x_line = 5 * np.cos(t)
y_line = 5 * np.sin(t)
z_line = np.sin(5)
ax.plot(x_line, y_line, z_line, 'g-', label='Circular Path')

ax.set_zlim(-2, 2)
ax.legend()

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Combined 3D Elements - how2matplotlib.com')
plt.show()

print("Combined 3D elements plotted. Visit how2matplotlib.com for more complex 3D visualization examples.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了如何在一个3D图形中组合表面、等高线、散点和线条。这种组合可以帮助我们创建更丰富、更有信息量的可视化。

4.3 自定义颜色映射

除了使用预定义的颜色映射，我们还可以创建自定义的颜色映射来满足特定的可视化需求好的，我将继续介绍Matplotlib中plot_surface的高级用法和技巧。

4.3 自定义颜色映射

除了使用预定义的颜色映射，我们还可以创建自定义的颜色映射来满足特定的可视化需求。

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

# 生成数据
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))

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

# 创建3D图形
fig = plt.figure(figsize=(12, 9))
ax = fig.add_subplot(111, projection='3d')

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap=cmap)

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Custom Colormap - how2matplotlib.com')
plt.show()

print("Custom colormap surface plotted. Visit how2matplotlib.com for more colormap customization techniques.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

在这个例子中，我们使用LinearSegmentedColormap.from_list创建了一个自定义的颜色映射。这允许我们精确控制表面图的颜色渐变，以更好地突出数据的特定方面。

4.4 添加光照效果

通过调整光照效果，我们可以增强3D表面图的立体感和真实感。

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

# 生成数据
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))

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# 不同的光照设置
light_settings = [
    {'lightsource': None},
    {'lightsource': (0.5, 0.5, 1)},
    {'lightsource': (-0.5, -0.5, 0.5)}
]

for i, settings in enumerate(light_settings):
    ax = fig.add_subplot(131 + i, projection='3d')
    surf = ax.plot_surface(X, Y, Z, cmap='viridis', **settings)
    ax.set_title(f'Light: {settings["lightsource"]}')

plt.suptitle('Different Lighting Effects - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Lighting effects comparison plotted. Visit how2matplotlib.com for more 3D visualization enhancements.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了不同光照设置对3D表面图视觉效果的影响。通过调整光源的位置，我们可以突出表面的不同特征。

4.5 动态旋转视图

为了更好地展示3D表面的全貌，我们可以创建一个动态旋转的视图。

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

# 生成数据
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))

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

# 初始绘制
surf = ax.plot_surface(X, Y, Z, cmap='viridis')

# 动画更新函数
def update(frame):
    ax.view_init(elev=10., azim=frame)
    return surf,

# 创建动画
anim = FuncAnimation(fig, update, frames=np.linspace(0, 360, 100), interval=50, blit=True)

ax.set_title('Rotating 3D Surface - how2matplotlib.com')
plt.show()

print("Rotating 3D surface animation created. Visit how2matplotlib.com for more dynamic visualization techniques.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子创建了一个动态旋转的3D表面图。通过改变视角，观察者可以更全面地理解表面的形状和特征。

5. 处理大规模数据

当处理大规模数据时，直接使用plot_surface可能会导致性能问题。以下是一些处理大规模数据的技巧：

5.1 数据降采样

对于大型数据集，我们可以通过降采样来减少数据点的数量，从而提高绘图速度。

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

# 生成大规模数据
x = np.linspace(-10, 10, 500)
y = np.linspace(-10, 10, 500)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 降采样函数
def downsample(arr, factor):
    return arr[::factor, ::factor]

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# 不同的降采样因子
factors = [1, 5, 10]

for i, factor in enumerate(factors):
    ax = fig.add_subplot(131 + i, projection='3d')
    X_down = downsample(X, factor)
    Y_down = downsample(Y, factor)
    Z_down = downsample(Z, factor)
    surf = ax.plot_surface(X_down, Y_down, Z_down, cmap='viridis')
    ax.set_title(f'Downsample factor: {factor}')

plt.suptitle('Data Downsampling - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Downsampling comparison plotted. Visit how2matplotlib.com for more data handling techniques in 3D plotting.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了如何使用不同的降采样因子来减少数据点的数量。这可以显著提高大规模数据集的绘图速度，同时保持整体形状的可识别性。

5.2 使用wireframe代替surface

对于非常大的数据集，使用wireframe（线框图）而不是完整的surface可以大大提高性能。

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

# 生成大规模数据
x = np.linspace(-10, 10, 200)
y = np.linspace(-10, 10, 200)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建3D图形
fig = plt.figure(figsize=(15, 5))

# Surface plot
ax1 = fig.add_subplot(131, projection='3d')
surf = ax1.plot_surface(X, Y, Z, cmap='viridis')
ax1.set_title('Surface Plot')

# Wireframe plot
ax2 = fig.add_subplot(132, projection='3d')
wire = ax2.plot_wireframe(X, Y, Z, rstride=10, cstride=10)
ax2.set_title('Wireframe Plot')

# Combination
ax3 = fig.add_subplot(133, projection='3d')
surf = ax3.plot_surface(X, Y, Z, cmap='viridis', alpha=0.7)
wire = ax3.plot_wireframe(X, Y, Z, rstride=20, cstride=20, color='black')
ax3.set_title('Combined Plot')

plt.suptitle('Surface vs Wireframe - how2matplotlib.com')
plt.tight_layout()
plt.show()

print("Surface and wireframe comparison plotted. Visit how2matplotlib.com for more 3D visualization techniques.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子比较了surface、wireframe以及两者结合的效果。对于大规模数据，wireframe可以提供更快的渲染速度，同时仍然保留表面的主要特征。

6. 高级应用示例

让我们看一些更复杂的应用示例，展示plot_surface在实际问题中的应用。

6.1 可视化数学函数

plot_surface非常适合可视化复杂的数学函数。以下是一个展示双曲抛物面的例子：

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

# 生成数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = X**2 - Y**2

# 创建3D图形
fig = plt.figure(figsize=(12, 9))
ax = fig.add_subplot(111, projection='3d')

# 绘制表面
surf = ax.plot_surface(X, Y, Z, cmap='coolwarm')

# 添加等高线
contours = ax.contour(X, Y, Z, zdir='z', offset=-50, cmap='coolwarm')

# 设置视角
ax.view_init(elev=20, azim=45)

# 设置轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')

# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=5)

ax.set_title('Hyperbolic Paraboloid - how2matplotlib.com')
plt.show()

print("Hyperbolic paraboloid plotted. Visit how2matplotlib.com for more mathematical function visualizations.")

Output:

Matplotlib中使用plot_surface绘制三维表面图

这个例子展示了如何使用plot_surface来可视化双曲抛物面（z = x^2 – y^2）。通过添加等高线和调整视角，我们可以更好地理解这个三维曲面的形状。

7. 总结

通过本文，我们深入探讨了Matplotlib中plot_surface函数的各种用法和技巧。从基本的表面绘制到高级的数据可视化技术，plot_surface展现了其强大的功能和灵活性。我们学习了如何：

  1. 创建基本的3D表面图
  2. 自定义颜色映射和光照效果
  3. 处理大规模数据集
  4. 结合其他图形元素创建复杂的可视化
  5. 优化性能以处理大型数据集
  6. 添加文本标注和向量场

这些技术可以应用于各种领域，包括数学建模、科学计算、金融分析、地理信息系统等。通过掌握这些技巧，你可以创建出既信息丰富又视觉吸引的3D可视化。

记住，3D可视化虽然强大，但也要谨慎使用。在某些情况下，简单的2D图表可能更有效地传达信息。选择合适的可视化方法取决于你的数据和目标受众。

最后，Matplotlib的plot_surface函数为我们提供了一个强大的工具来探索和展示三维数据。通过不断实践和创新，你可以利用这个工具创造出令人惊叹的数据可视化作品。

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