为了实现不同数据的可视化，最近研究了python环境下的可视化方案，为后续的流体运动仿真模拟做好储备，由于python处理数据的便利性，导致目前很多后端处理或者可视化成图操作都在python中实现，比如前端是vue，加上简单的交互操作，后端搭建webserver，可采用java或者python来搭建，并利用python在后端处理数据，形成可视化图件等；本文主要在python3.10环境下，利用 matplotlib.pyplot、scipy.interpolate、numpy、pandas实现数据的处理，网格数据的生成，各自平面图和三维图形的绘制，并加入自定义颜色栏。在绘图开始之前，需要准备数据，一般包括读取和准备数据，以及简单的数据处理过滤等，后续会在此基础上进行绘图操作或继续进行数据处理及可视化等。
准备数据阶段
# 准备数据 读取数据
# 0.读写实际数据生成三维曲面，数据格式为x y z
filename=r'D:\project\PythonProject\ECL\data\geochemical-data\2018_T28.txt'
dataTop = pd.read_csv(filename, sep='\t', header=None, names=['x', 'y', 'z'])
# 去掉无效数据，一般为-99999.0000
data = dataTop[dataTop['z'] != -99999.0000]
x = data.iloc[:, 0]
y = data.iloc[:, 1]
z = data.iloc[:, 2]*(-1) #深度值是负数，要取反。
xi = np.linspace(min(x), max(x))
yi = np.linspace(min(y), max(y))
xi, yi = np.meshgrid(xi, yi) # 将一维数据处理为二维的网格数据
zi = griddata(data.iloc[:,0:2], z, (xi, yi), method='cubic') # 用法详见附录12018_T28.txt文件内容
读取后的数据样式，xyz的shape形状，都是相同长度的一维数组，即(12766,) (12766,) (12766,).
一、利用xyz绘制三维曲面
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(x, y, z, color='white', edgecolors='grey', alpha=0.5) #绘制三角网格组成的三维曲面
ax.scatter(x, y, z, c='red') # 绘制三维散点图
plt.show()利用三角网格绘制的三维曲面图和三维散点图
二、利用xyz生成网格后绘制三维曲面
fig = plt.figure()
# ax = plt.axes(projection='3d')
ax = fig.gca(projection='3d')
surf = ax.plot_surface(xi, yi, zi, cmap='BuPu', linewidth=0, antialiased=True) #绘制三维曲面
# surf = ax.scatter(xi, yi, zi, cmap='BuPu', linewidth=0, antialiased=True) #绘制三维散点图
# surf = ax.contourf(xi, yi, zi, zdim='z',offset=0.3, cmap='BuPu') #等高线面图（contourf）或等高线图（contour），要设置offset，为Z的最小值，
fig.colorbar(surf)
ax.set_title('三维图')
ax.set_zlim3d(np.min(z), np.max(z))
plt.show()三维曲面图、散点图和等值线图
三、利用xyz实现三维等值线绘制，降雨量三维等值线图
filename = r'D:\project\PythonProject\ECL\data\geochemical-data\0.txt' # 数据文件地址，附件1
df = pd.read_csv(filename, sep="\t") # 读取文件
df1 = df["1"] # 读取第一列数据
df2 = df['2'] # 读取第二列数据
df3 = df['3'] # 读取第三列数据
odf1 = np.linspace(100, 1900, 50) # 设置网格经度
odf2 = np.linspace(10, 600, 50) # 设置网格纬度
odf1, odf2 = np.meshgrid(odf1, odf2) # 网格化，生成网络,生成网格形状是第一个维度对应odf1，第二个维度对应odf2
func = Rbf(df1, df2,df3, function='linear') # 定义插值函数plt.cm.hot
odf3_new = func(odf1, odf2) # 获得插值后的网格累计降水量
fig = plt.figure(figsize=(12, 7))
ax1 = plt.axes(projection='3d') # 创建三维坐标轴
ax1.plot_surface(odf1, odf2, odf3_new,alpha=0.3,cmap='rainbow') #绘制三维曲面,alpha-控制透明度,cmap-控制颜色
# 绘制z方向投影填充图，等高线面图，投到x-y平面，offset为z最小值。
cs=plt.contourf(odf1, odf2, odf3_new,zdir='z',offset=0,
levels=np.arange(odf3_new.min(), odf3_new.max(), (odf3_new.max() - odf3_new.min()) / 10), cmap='GnBu',
extend='both') # 画图
# 绘制等高线图
line = plt.contour(odf1, odf2, odf3_new,zdir='z',offset=0,cmap="rainbow",levels=np.arange(odf3_new.min(), odf3_new.max(), (odf3_new.max() - odf3_new.min()) / 10))
plt.clabel(line, inline=True, fontsize=12)
ax1.set_title('降雨量三维等值线图')
plt.colorbar(cs)
plt.show()效果图和数据格式
四、绘制二维等值线
# 绘制二维等值线
levels = np.linspace(np.min(z), np.max(z), 50)
fig, ax = plt.subplots(figsize=(8, 6))
# # 1.设置颜色条 第一种方式
# print(cm.colors.cnames)
# 默认颜色标如 jet，coolwarm，gnuplot2_r,RdBu_r,PuBuGn_r,ocean_r，输入的颜色名称错误时，会自动输出色标的列表
cmap = cm.get_cmap('seismic_r')
# cmap = cm.get_cmap('jet', 10) # 将色条分成10截
norm = cm.colors.Normalize(vmin=np.min(z), vmax=np.max(z)) # 设置色条表示的数值范围
im1 = cm.ScalarMappable(norm=norm, cmap=cmap) # 设置映射很重要
# # 绘制颜色条(left, bottom, width, height)--表示figure的百分比,从figure 从横向92%，纵向10%的位置开始绘制, 宽是figure的3%，高是figure的78%,
ax9 = fig.add_axes([0.92, 0.1, 0.03, 0.78])
cb = plt.colorbar(im1, cax=ax9, orientation='vertical', extend='neither') #纵向绘制，两端无箭头
# ticks与norm对应
# # cb = plt.colorbar(im1, cax=ax9, orientation='horizontal', extend='max', ticks=np.linspace(1900,2600, 51))
# cs = ax.contour(xi, yi, zi, levels=levels, cmap=cmap) # 不存在颜色间隔分段，并指定颜色条
# cs = ax.contour(xi, yi, zi, levels=levels,cmap='coolwarm') # 存在颜色间隔分段
cs = ax.contourf(xi, yi, zi, levels=levels,cmap='jet',extend='neither') # 等值线填充
ax.clabel(cs, inline=True, fontsize=6)
ax.set_title('等高线图')
plt.show()
# # 2.设置颜色条 第二种方式
# cs = ax.contourf(xi, yi, zi, levels=levels, cmap='jet', extend='neither') # 等值线填充，存在颜色间隔分段
# # ax.clabel(cs, inline=True, fontsize=6)
# ax.set_title('等高线图')
# plt.colorbar(cs)
# plt.show()两种二维等值线图
五、绘制矢量流线图
# 1.矢量场流线图 样例
# 0:5表示数组中数值所在的区间。100j表示划分的密度，值越大，图片越清晰
Y1, X1 = np.mgrid[-5:5:1000j, -5:5:10j]
# （X,Y）是一维numpy数组的等距网格，（U,V）参数匹配的是（X,Y）速率的二维numpy数组
# U,V矩阵在维度上的行数必须等于Y的长度，列的数量必须匹配X的长度
U = -1 - X1 ** 2 + Y1
V = 1 + X1 - Y1 ** 2
# 可视化矢量场
# 矢量场中的种子点坐标
seed_points = np.array([[-2, -1, 0, 1, 2, -1], [-2, -1, 0, 1, 2, 2]]) # 种子点
# cs=plt.streamplot(X1, Y1, U, V,density=[0.5,1],color=U,cmap="autumn",linewidth=1,start_points=seed_points.T)
cs = plt.streamplot(X1, Y1, U, V, color=U, cmap="Accent", linewidth=1)
# plt.plot(seed_points[0], seed_points[1], "+", color="g") # 绘制折线图，使用marker属性标记
plt.colorbar()
plt.show()
# 2.用实际数据进行绘制,UV如何计算得到，要根据不同的目的进行计算。
U,V=vectorComputeUV(xi,yi,zi)
cs = plt.streamplot(xi, yi, U, V, color=U, cmap="Accent", linewidth=1)
# cs = plt.quiver(xi, yi, U, V)
plt.colorbar()
plt.show()
# 计算矢量场的速度矢量
def vectorComputeUV(xi,yi,zi):
# U = np.log10((xi/10000)) - zi/1000
# V = 1 + np.log10(yi/100000) - (zi/1000) ** 3
U = -1 - (xi/10000) ** 2 + (yi/100000)
V = 1 + (xi/10000) - (yi/100000) ** 2
return U,V示例效果图和实际数据案例图
附录
1.scipy.interpolate.griddata参数说明
scipy.interpolate.griddata的参数说明如下
插入非结构化D-D 数据
points： 具有形状 (n, D) 的浮点数的二维 ndarray，或具有形状 (n,) 的一维 ndarray 的长度 D 元组。
数据点坐标。
values： 浮点数或复数的ndarray，形状(n，)
数据值。
xi： 具有形状 (m, D) 或长度为 D 的 ndarray 元组的二维 ndarray 可广播到相同形状。
插入数据的点。
method： {‘linear’, ‘nearest’, ‘cubic’}，可选
插值方法。之一
fill_value： 浮点数，可选
用于填充输入点凸包之外的请求点的值。如果未提供，则默认值为 nan 。此选项对‘nearest’ 方法无效。
rescale： 布尔型，可选
在执行插值之前将点重新缩放到单位立方体。如果某些输入维度具有不可比较的单位并且相差许多数量级，这将很有用。
返回
ndarray
插值数组。2.streamplot()参数说明
matplotlib.pyplot.streamplot()参数说明如下：
x，y：表示间距均匀的网格数据。
u，v：表示(x, y)速率的二维数组。
density：表示流线的密度，默认为1。
color：表示流线颜色。一般设置为U
cmap:表示线条颜色系，一般有'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu_r', 'Greens'
linewidth：表示流线的宽度。
arrowsize：表示箭头的大小。
arrowstyle：表示箭头的类型。
minlength：表示流线的最小长度。
maxlength：表示流线的最大长度。