如何根据自有数据拟合绘制3D曲面图-Python matplotlib-Toy模板网

这篇具有很好参考价值的文章主要介绍了如何根据自有数据拟合绘制3D曲面图-Python matplotlib。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

问题提出

绘制简单曲面图

使用自有数据拟合绘制

问题提出

在网上找了很久怎么用自己有的dataframe数据，拟合出3d的曲面图，大部分人都是根据已知函数去绘制，有几篇进行拟合绘制，但是还是根据特定函数生成的数据，没有一篇直接用dataframe数据画3d曲面图的。讲的比较好的几篇这里列出来供大家参考，本文主要针对使用自有数据拟合绘制3d曲面图进行详解。

python使用numpy和scipy模块拟合任意函数，多维曲面【转载】 - 牛哥是条狗 - 博客园 (cnblogs.com)https://www.cnblogs.com/niuniu238/articles/13551676.htmlscipy.optimize.curve_fit 拟合多维曲面问题_紫金山赵火龙的博客-CSDN博客https://blog.csdn.net/qq_26751117/article/details/106335185

绘制简单曲面图

为了由浅入深的讲解，这里首先介绍绘制一个简单的3维曲面的方法：

1、使用mpl_toolkits.mplot3d中的Axes3D进行三维绘图

2、使用numpy中的arange或linspace产生X轴坐标点和Y坐标点，并用meshgrid生成网格型数据，如果原本的X，Y按X=np.arange(0,4,1)，Y=np.arange(0,3,1)产生，那么网格化后X和Y如下：

# X
array([[0., 1., 2., 3., 4.],
       [0., 1., 2., 3., 4.],
       [0., 1., 2., 3., 4.],
       [0., 1., 2., 3., 4.]])
# Y
array([[0., 0., 0., 0., 0.],
       [1., 1., 1., 1., 1.],
       [2., 2., 2., 2., 2.],
       [3., 3., 3., 3., 3.]])

3、原本X和Y是一维，网格化后X和Y变成二维，根据二维的X和Y产生的Z数据也是二维的，最后使用plt的plot_surface绘制三维曲面，注意plot_surface传入的X,Y,Z数据必须是二维的

from matplotlib import pyplot as plt
import pandas as pd 
import numpy as np
from scipy.interpolate import griddata
from mpl_toolkits.mplot3d import Axes3D
%matplotlib notebook

fig=plt.figure()
ax=Axes3D(fig)
X=np.arange(-4,4,0.2)
Y=np.arange(-4,4,0.2)
X,Y=np.meshgrid(X,Y)
Z=np.sqrt(X**2+Y**2)
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap="rainbow")
plt.draw()

python拟合三维曲面,python绘图,python,matplotlib,3d

使用自有数据拟合绘制

上面三维曲面图中的Z坐标数据是根据我们自己定义的函数计算的，但是在自有数据中，我们并不知道明确的函数，因此就需要用到scipy.optimize中的curve_fit拟合我们数据中的函数，再基于这个函数产生Z坐标数据进行绘制。绘制步骤如下：

1、根据你的先验知识或散点图情况，了解你的数据大致是什么函数情况，然后定义这个函数，我这里假设数据是一个二次曲面，即 $python拟合三维曲面,python绘图,python,matplotlib,3d$ ，那么需要定义一个这样的函数：

def func1(x,a,b,c,d,e,f):
    y=a*x[0]*x[0]+b*x[1]*x[1]+c*x[0]*x[1]+d*x[0]+e*x[1]+f
    return y

2、将自有数据和定义的函数传入curve_fit中进行拟合，返回拟合参数和参数协方差，这里我使用自己数据中的a1和r1作为x[0]和x[1]，商家收益1作为y。

data=pd.read_csv(r'C:\Users\Desktop\汇总.csv',encoding='gbk')
dt=data
x1=np.array(dt['a1']).reshape(1,-1)#变成二维数据
x2=np.array(dt['r1']).reshape(1,-1)#变成二维数据
y=np.array(dt['商家收益1'])
x=np.append(x1,x2,axis=0)#变成两行的二维数据
popt, pcov =curve_fit(func1,x,y)

3、后续和前面绘制的步骤类似，只是Z坐标数据使用我们拟合的函数产生

X = np.linspace(0, 0.3, 15)
Y = np.linspace(0, 1, 50)
X, Y = np.meshgrid(X, Y)
XX = np.expand_dims(X,axis=0)#变成三维数据，因为下面要把XX和YY合并到一起
YY = np.expand_dims(Y,axis=0)
x=np.append(XX,YY,axis=0)
Z=func1(x,*popt)

4、最后使用plot_surface绘制三维曲面

完整的代码如下：

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.interpolate import griddata
from mpl_toolkits.mplot3d import Axes3D
from scipy.optimize import curve_fit

# matplotlib 图形正常显示中文及负号
plt.rcParams['font.sans-serif'] = ['SimHei']   # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号
#3d绘图内嵌可旋转
#%matplotlib notebook
#3d绘图单独窗口
#%matplotlib

def func1(x,a,b,c,d,e,f):
    z=a*x[0]*x[0]+b*x[1]*x[1]+c*x[0]*x[1]+d*x[0]+e*x[1]+f
    return z

data=pd.read_csv(r'C:\Users\Desktop\汇总.csv',encoding='gbk')
dt=data
x1=np.array(dt['a1']).reshape(1,-1)#变成二维数据
x2=np.array(dt['r1']).reshape(1,-1)#变成二维数据
y=np.array(dt['商家收益1'])
x=np.append(x1,x2,axis=0)#变成两行的二维数据
popt, pcov =curve_fit(func1,x,y)
X = np.linspace(0, 0.3, 15)
Y = np.linspace(0, 1, 50)
X, Y = np.meshgrid(X, Y)
XX = np.expand_dims(X,axis=0)#变成三维数据，因为下面要把XX和YY合并到一起
YY = np.expand_dims(Y,axis=0)
x=np.append(XX,YY,axis=0)
Z=func1(x,*popt)
fig=plt.figure(figsize=(10,8))
ax=plt.axes(projection="3d")
ax3d=ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='jet')
plt.show()

根据真实数据绘制的三维曲面图如下：

python拟合三维曲面,python绘图,python,matplotlib,3d