Python Matplotlib 经典 3D 绘图类型：从二维到三维的可视化解析
Matplotlib 是 Python 数据可视化的核心工具之一，提供了多种绘图方式，能够满足从简单二维图形到复杂三维图像的需求。本指南全面解析了 Matplotlib 中的经典绘图类型，包括散点图、柱状图、等高线图、图像展示以及三维图形绘制。通过代码示例与运行结果，读者可以快速掌握每种图形的创建方法及其核心参数设置。例如，如何使用散点图展示数据分布，如何通过柱状图比较不同类别的数值，如何利用等高线图表示区域间的高度变化，甚至如何使用三维表面图和等高线展示空间数据。指南还涵盖了颜色映射、自定义标签及透明度控制等技巧，帮助读者提升图形的表现力与美观性。这篇文章既适合初学者入门，也为进阶用户提供了丰富的参考素材，是全面了解 Matplotlib 绘图能力的实用指南。
文章目录
一 散点图 scatter
def scatter():
# 数据大小
n = 1024
# 生成 n 个X值，符合标准正态分布
X = np.random.normal(0, 1, n)
# 生成 n 个Y值，符合标准正态分布
Y = np.random.normal(0, 1, n)
# 根据Y和X的值计算颜色值
T = np.arctan2(Y, X)
# 绘制散点图，大小为75，颜色为T，透明度为0.5
plt.scatter(X, Y, s=75, c=T, alpha=.5)
# 设置x轴的显示范围
plt.xlim(-1.5, 1.5)
# 不显示x轴刻度
plt.xticks(())
# 设置y轴的显示范围
plt.ylim(-1.5, 1.5)
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
运行结果
二 柱状条形图 bar
def bar():
n = 12 # 柱状图中的柱子数量
X = np.arange(n) # X轴上的位置
# Y 是均匀分布
# 生成 Y1 的值，这些值随 X 增大而减小，范围在0.5到1.0之间随机
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
# 生成 Y2 的值，同样是随 X 增大而减小，范围在0.5到1.0之间随机
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
# 绘制 Y1 的正向柱状图，设置面颜色和边缘颜色
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
# 绘制 Y2 的反向柱状图，设置面颜色和边缘颜色
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
# 设置X轴的显示范围
plt.xlim(-.5, n)
# 不显示X轴刻度
plt.xticks(())
# 设置Y轴的显示范围
plt.ylim(-1.25, 1.25)
# 不显示Y轴刻度
plt.yticks(())
# 在每个柱状图上方添加数值标签
for x, y in zip(X, Y1):
# 在柱状图上方显示Y值，ha和va分别控制水平和垂直对齐方式
plt.text(x + 0.1, y + 0.05, '%.2f' % y, ha='center', va='bottom')
# 在每个柱状图下方添加数值标签
for x, y in zip(X, Y2):
# 在柱状图下方显示Y值，ha和va分别控制水平和垂直对齐方式
plt.text(x + 0.1, -y - 0.05, '%.2f' % y, ha='center', va='top')
# 显示图表
plt.show()
运行结果
三 等高线图 contours
def f(x, y):
# 定义一个高度函数，该函数基于给定的x和y坐标计算一个高度值
return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)
def contours():
n = 256 # 设置网格点的数量
x = np.linspace(-3, 3, n) # 在-3到3之间生成n个x坐标点
y = np.linspace(-3, 3, n) # 在-3到3之间生成n个y坐标点
X, Y = np.meshgrid(x, y) # 生成网格点坐标的矩阵
# 使用plt.contourf创建填充的等高线图
# X, Y为网格点坐标，f(X, Y)计算每个点对应的高度值
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
# 创建等高线，设置等高线数量为8，颜色为黑色，线宽为0.5
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidths=.5)
# 在等高线上标注高度值，设置字体大小为10
plt.clabel(C, inline=True, fontsize=10)
# 不显示x轴刻度
plt.xticks(())
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
代码释义
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
X, Y：这两个参数是通过np.meshgrid生成的网格点坐标矩阵。X和Y的每一个组合对应于二维空间中的一个点。f(X, Y)：这是等高线图中显示的高度（或其他物理量）的计算结果。f是一个函数，根据X和Y的值计算出每一点的值。在这种情况下，f定义了一个复杂的表面，通过计算表达式(1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)来获取每个点的高度。8：这个数字表示等高线的级数，即图中将显示的不同高度的区域数量。数字越大，等高线之间的区分越细致，图形越精细。alpha=.75：这是透明度参数，范围从0（完全透明）到1（完全不透明）。在这里设置为0.75，使得图形具有一定的透明度，可以帮助视觉上区分重叠或靠近的部分。cmap=plt.cm.hot：cmap参数指定了色彩映射表，用于根据高度值为等高线填充颜色。plt.cm.hot是一种颜色映射，通常用暖色调表示更高的值，颜色从黑色开始，逐渐过渡到红色、黄色和白色。这种色彩映射对于表示温度或类似的高低变化非常有效。
运行结果
四 图片 image
def images():
# 创建一个 3x3 的矩阵，用于表示图像数据
a = np.array([
0.313660827978, 0.365348418405, 0.423733120134,
0.365348418405, 0.439599930621, 0.525083754405,
0.423733120134, 0.525083754405, 0.651536351379
]).reshape(3, 3)
# 使用plt.imshow显示这个矩阵，颜色映射使用'bone'，并设置原点为图像的左下角
# interpolation_methods
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
# 添加颜色条，并设置压缩比例为0.92以更好地适配显示
plt.colorbar(shrink=.92)
# 不显示x轴刻度
plt.xticks(())
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
运行结果
五 3D 图像
def data_3d():
# 创建一个新的图形
fig = plt.figure()
# 创建一个3D坐标系，不自动添加到图形中（处理了更新的matplotlib用法）
ax = Axes3D(fig, auto_add_to_figure=False)
# 手动将坐标系添加到图形中
fig.add_axes(ax)
# 生成X和Y数据，范围从-4到4，步长为0.25
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
# 生成网格数据，用于3D图形的基础
X, Y = np.meshgrid(X, Y)
# 计算R，作为X和Y的函数，用于生成高度数据Z
R = np.sqrt(X ** 2 + Y ** 2)
# 计算Z值，使用正弦函数模拟高度变化
Z = np.sin(R)
# 绘制3D表面图，设置行和列的步长，颜色映射使用彩虹色
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
# 绘制Z方向的等高线图，将等高线设置在Z=-2的位置，使用彩虹色
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
# 设置Z轴的显示范围
ax.set_zlim(-2, 2)
# 显示图形
plt.show()
运行结果
六 完整代码示例
# This is a sample Python script.
# Press ⌃R to execute it or replace it with your code.
# Press Double ⇧ to search everywhere for classes, files, tool windows, actions, and settings.
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
def scatter():
# 数据大小
n = 1024
# 生成 n 个X值，符合标准正态分布
X = np.random.normal(0, 1, n)
# 生成 n 个Y值，符合标准正态分布
Y = np.random.normal(0, 1, n)
# 根据Y和X的值计算颜色值
T = np.arctan2(Y, X)
# 绘制散点图，大小为75，颜色为T，透明度为0.5
plt.scatter(X, Y, s=75, c=T, alpha=.5)
# 设置x轴的显示范围
plt.xlim(-1.5, 1.5)
# 不显示x轴刻度
plt.xticks(())
# 设置y轴的显示范围
plt.ylim(-1.5, 1.5)
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
def bar():
n = 12 # 柱状图中的柱子数量
X = np.arange(n) # X轴上的位置
print(X)
# 生成 Y1 的值，这些值随 X 增大而减小，范围在0.5到1.0之间随机
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
# 生成 Y2 的值，同样是随 X 增大而减小，范围在0.5到1.0之间随机
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
# 绘制 Y1 的正向柱状图，设置面颜色和边缘颜色
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
# 绘制 Y2 的反向柱状图，设置面颜色和边缘颜色
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
# 设置X轴的显示范围
plt.xlim(-.5, n)
# 不显示X轴刻度
plt.xticks(())
# 设置Y轴的显示范围
plt.ylim(-1.25, 1.25)
# 不显示Y轴刻度
plt.yticks(())
# 在每个柱状图上方添加数值标签
for x, y in zip(X, Y1):
# 在柱状图上方显示Y值，ha和va分别控制水平和垂直对齐方式
plt.text(x + 0.1, y + 0.05, '%.2f' % y, ha='center', va='bottom')
# 在每个柱状图下方添加数值标签
for x, y in zip(X, Y2):
# 在柱状图下方显示Y值，ha和va分别控制水平和垂直对齐方式
plt.text(x + 0.1, -y - 0.05, '%.2f' % y, ha='center', va='top')
# 显示图表
plt.show()
def f(x, y):
# 定义一个高度函数，该函数基于给定的x和y坐标计算一个高度值
return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)
def contours():
n = 256 # 设置网格点的数量
x = np.linspace(-3, 3, n) # 在-3到3之间生成n个x坐标点
y = np.linspace(-3, 3, n) # 在-3到3之间生成n个y坐标点
X, Y = np.meshgrid(x, y) # 生成网格点坐标的矩阵
# 使用plt.contourf创建填充的等高线图
# X, Y为网格点坐标，f(X, Y)计算每个点对应的高度值
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
# 创建等高线，设置等高线数量为8，颜色为黑色，线宽为0.5
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidths=.5)
# 在等高线上标注高度值，设置字体大小为10
plt.clabel(C, inline=True, fontsize=10)
# 不显示x轴刻度
plt.xticks(())
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
def images():
# 创建一个 3x3 的矩阵，用于表示图像数据
a = np.array([
0.313660827978, 0.365348418405, 0.423733120134,
0.365348418405, 0.439599930621, 0.525083754405,
0.423733120134, 0.525083754405, 0.651536351379
]).reshape(3, 3)
# 使用plt.imshow显示这个矩阵，颜色映射使用'bone'，并设置原点为图像的左下角
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
# 添加颜色条，并设置压缩比例为0.92以更好地适配显示
plt.colorbar(shrink=.92)
# 不显示x轴刻度
plt.xticks(())
# 不显示y轴刻度
plt.yticks(())
# 显示图形
plt.show()
def data_3d():
# 创建一个新的图形
fig = plt.figure()
# 创建一个3D坐标系，不自动添加到图形中（处理了更新的matplotlib用法）
ax = Axes3D(fig, auto_add_to_figure=False)
# 手动将坐标系添加到图形中
fig.add_axes(ax)
# 生成X和Y数据，范围从-4到4，步长为0.25
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
# 生成网格数据，用于3D图形的基础
X, Y = np.meshgrid(X, Y)
# 计算R，作为X和Y的函数，用于生成高度数据Z
R = np.sqrt(X ** 2 + Y ** 2)
# 计算Z值，使用正弦函数模拟高度变化
Z = np.sin(R)
# 绘制3D表面图，设置行和列的步长，颜色映射使用彩虹色
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
# 绘制Z方向的等高线图，将等高线设置在Z=-2的位置，使用彩虹色
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
# 设置Z轴的显示范围
ax.set_zlim(-2, 2)
# 显示图形
plt.show()
def print_hi(name):
# Use a breakpoint in the code line below to debug your script.
print(f'Hi, {name}') # Press ⌘F8 to toggle the breakpoint.
# 散点图 Scatter
scatter()
# 柱状条形图
bar()
# 等高线图 Contours
contours()
# 图片 Image
images()
# 3D 图像
data_3d()
# Press the green button in the gutter to run the script.
if __name__ == '__main__':
print_hi('绘图种类')
# See PyCharm help at https://www.jetbrains.com/help/pycharm/
复制粘贴并覆盖到你的 main.py 中运行，运行结果如下。
Hi, 绘图种类
[ 0 1 2 3 4 5 6 7 8 9 10 11]
七 源码地址
代码地址：
国内看 Gitee 之 matplotlib/绘图种类.py
国外看 GitHub 之 matplotlib/绘图种类.py
八 参考
[1] Matplotlib 官网
[2] 莫烦 python
[3] 百度百科 正态分布
[4] 百度百科 均匀分布
[5] Matplotlib interpolation methods
[6] 百度百科 最近邻插值法