我在三维空间中有一个点云,并估计了这些点的一些分布(也在 3D 空间中;使用核密度估计 http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html尽管这与这个问题无关)。我想将该分布的投影绘制为所有三个轴(x、y 和 z)上的等值线图。对于 z 轴执行此操作很简单(即投影到各处具有相同 z 坐标的平面上):
import numpy as np
import scipy as sp
import scipy.stats
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
# generate some points of a 3D Gaussian
points = np.random.normal(size=(3, 50))
# do kernel density estimation to get smooth estimate of distribution
# make grid of points
x, y, z = np.mgrid[-4:4:100j, -4:4:100j, -4:4:100j]
kernel = sp.stats.gaussian_kde(points)
positions = np.vstack((x.ravel(), y.ravel(), z.ravel()))
density = np.reshape(kernel(positions).T, x.shape)
# now density is 100x100x100 ndarray
# plot points
ax = plt.subplot(projection='3d')
ax.plot(points[0,:], points[1,:], points[2,:], 'o')
# plot projection of density onto z-axis
plotdat = np.sum(density, axis=2)
plotdat = plotdat / np.max(plotdat)
plotx, ploty = np.mgrid[-4:4:100j, -4:4:100j]
ax.contour(plotx, ploty, plotdat, offset=-4)
ax.set_xlim((-4, 4))
ax.set_ylim((-4, 4))
ax.set_zlim((-4, 4))
然而,对其他轴执行此操作似乎没有在 Matplotlib 中实现。如果我使用中概述的方法这个例子 http://matplotlib.org/examples/mplot3d/contour3d_demo3.html,并指定一个zdir
关键字参数:
# plot projection of density onto x-axis
plotdat = np.sum(density, axis=0)
plotdat = plotdat / np.max(plotdat)
ploty, plotz = np.mgrid[-4:4:100j, -4:4:100j]
ax.contour(ploty, plotz, plotdat, offset=-4, zdir='x')
轮廓的生成是“沿着另一个切片”完成的,也就是说:
而我想要这样的东西(糟糕的绘画技巧;希望这个想法很清楚):
我想到的一个选择是沿着默认值生成轮廓zdir='z'
然后在 3D 空间中旋转生成的曲线,但我不知道如何解决这个问题。我将非常感谢任何指点!