python实现二维图制作

本文介绍了如何使用Python进行二维图形的绘制,通过代码示例展示了具体的实现过程,帮助读者掌握这一技能。

python全代码如下

import re
import csv
import matplotlib.pyplot as plt


x=[]
y=[]
m=eval(input())        #输入折线条数
for i in range(m):
    y.append([])
fo = open("E:\\shu\\2.txt", "r", encoding='UTF-8')     
plt.ylim(0, 20)                      # 设定y轴范围
for line in fo.readlines():  # 按行输入
    line=line.split("\n")[0]    #分割
    if line !="":    判定是否为空
      don=line.split(" ")
      x.append(don[0])
      for i in range(len(don)-1):     
           y[i].append(eval(don[i+1]))



figsize = 12,8
plt.subplots(figsize=figsize)                                # 设定整张图片大小
plt.grid(True)       # 是否网格化
markes = ['-o', '-s', '-^', '-p', '-^', '-v', '-p', '-d', '-h', '-2', '-8', '-6']
plt.ylabel('Trade account unit: billion US dollars')   #坐标命名
plt.xlabel('time')   #坐标命名
for i in range(m):
    plt.plot(x, y[i],markes[i%12])
plt.legend(['America','china'],loc='upper left')
plt.savefig("Trade account.jpg", dpi=600)    #保存图片
plt.show()

图片效果如下

### 使用Python绘制四维数据可视化表 在Python中,可以通过多个库来实现四维数据的可视化。通常情况下,第四维度会通过颜色、大小或其他视觉属性表示。以下是几种常见的方法和库: #### 方法一:使用Matplotlib绘制带颜色映射的散点 Matplotlib支持三维绘,并允许通过`cmap`参数将第四维数据映射为颜色[^2]。 ```python import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np # 创建随机数据 np.random.seed(0) x = np.random.rand(100) y = np.random.rand(100) z = np.random.rand(100) colors = np.random.rand(100) fig = plt.figure() ax = fig.add_subplot(111, projection='3d') # 绘制散点并将颜色作为第四维 sc = ax.scatter(x, y, z, c=colors, cmap='viridis') plt.colorbar(sc) plt.show() ``` 此代码片段展示了如何使用颜色表示第四维数据[^2]。 --- #### 方法二:使用Plotly绘制交互式四维表 Plotly是一个强大的交互式可视化库,能够轻松处理高维数据并提供动态效果[^3]。 ```python import plotly.express as px import pandas as pd import numpy as np # 构造DataFrame df = pd.DataFrame({ 'X': np.random.rand(100), 'Y': np.random.rand(100), 'Z': np.random.rand(100), 'Size': np.random.rand(100) * 10, 'Color': np.random.rand(100) }) # 使用Plotly绘制四维散点 fig = px.scatter_3d(df, x='X', y='Y', z='Z', size='Size', color='Color', title="Four-Dimensional Data Visualization", labels={'Color': 'Fourth Dimension'}) fig.show() ``` 这段代码利用了`size`和`color`两个参数分别表示不同的维度[^3]。 --- #### 方法三:基于Mayavi的高级科学计算可视化 对于更复杂的场景,Mayavi提供了高性能的三维渲染能力,适合科学研究中的复杂数据集[^1]。 ```python from mayavi import mlab import numpy as np # 随机生成数据 x, y, z, s = np.random.rand(4, 100) mlab.points3d(x, y, z, s, scale_factor=0.1, colormap='coolwarm') mlab.show() ``` 此处`s`变量被用来定义点的大小或颜色,从而表达额外的一维信息[^1]。 --- #### 总结 以上三种方式均能有效完成四维数据的可视化任务。具体选择取决于实际需求以及对性能的要求: - **简单静态像**:推荐使用Matplotlib。 - **交互性强的应用程序**:建议采用Plotly。 - **大规模科学计算**:优先考虑Mayavi。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值