本文分享自华为云社区《Plotly绘制3D图形》 ，作者：柠檬味拥抱。
在数据可视化领域，三维图形是一种强大的工具，可以展示数据之间的复杂关系和结构。Python语言拥有丰富的数据可视化库，其中Plotly是一款流行的工具，提供了绘制高质量三维图形的功能。本文将介绍如何使用Python和Plotly来绘制各种类型的3D图形，并给出代码实例。
首先，确保你已经安装了Plotly库。你可以使用pip命令来安装：
pip install plotly
接下来，我们将使用Plotly的plotly.graph_objects模块来创建3D图形。我们还将使用numpy库生成一些示例数据。
import plotly.graph_objects as go
import numpy as np
首先，我们将绘制一个简单的散点图。假设我们有一些三维数据，分别存储在x_data，y_data和z_data中。
# 生成示例数据
np.random.seed(42)
n_points = 100
x_data = np.random.rand(n_points)
y_data = np.random.rand(n_points)
z_data = np.random.rand(n_points)
# 创建散点图
fig = go.Figure(data=[go.Scatter3d(x=x_data, y=y_data, z=z_data, mode='markers')])
fig.update_layout(scene=dict(xaxis_title='X', yaxis_title='Y', zaxis_title='Z'),
title='3D Scatter Plot')
fig.show()
以上代码将生成一个简单的三维散点图，展示了随机生成的数据点在三维空间中的分布情况。
接下来，我们将绘制一个曲面图。假设我们有一个函数f(x, y)，我们想要可视化它在三维空间中的表面。
# 定义函数
def f(x, y):
return np.sin(x) * np.cos(y)
# 生成网格数据
x_grid = np.linspace(0, 2*np.pi, 50)
y_grid = np.linspace(0, 2*np.pi, 50)
x_grid, y_grid = np.meshgrid(x_grid, y_grid)
z_grid = f(x_grid, y_grid)
# 创建曲面图
fig = go.Figure(data=[go.Surface(z=z_grid, x=x_grid, y=y_grid)])
fig.update_layout(scene=dict(xaxis_title='X', yaxis_title='Y', zaxis_title='Z'),
title='3D Surface Plot')
fig.show()
以上代码将生成一个展示了函数表面的三维曲面图。
最后，我们将绘制一个线框图，展示数据的连续性。
# 生成线框数据
theta = np.linspace(-4*np.pi, 4*np.pi, 100)
z_line = np.linspace(-2, 2, 100)
x_line = z_line * np.sin(theta)
y_line = z_line * np.cos(theta)
# 创建线框图
fig = go.Figure(data=[go.Scatter3d(x=x_line, y=y_line, z=z_line, mode='lines')])
fig.update_layout(scene=dict(xaxis_title='X', yaxis_title='Y', zaxis_title='Z'),
title='3D Wireframe Plot')
fig.show()
以上代码将生成一个展示了线框的三维图形。
通过以上示例，我们展示了如何使用Python和Plotly来绘制各种类型的三维图形。你可以根据自己的需求进一步定制这些图形，并探索Plotly库中更多丰富的功能。Happy plotting！
除了散点图、曲面图和线框图之外，我们还可以绘制3D条形图，展示数据之间的差异和关系。
# 生成示例数据
categories = ['A', 'B', 'C', 'D']
values = np.random.randint(1, 10, size=(len(categories), len(categories)))
x_bar, y_bar = np.meshgrid(np.arange(len(categories)), np.arange(len(categories)))
x_bar = x_bar.flatten()
y_bar = y_bar.flatten()
z_bar = np.zeros_like(x_bar)
# 设置条形图的高度
bar_heights = values.flatten()
# 创建3D条形图
fig = go.Figure(data=[go.Bar3d(x=x_bar, y=y_bar, z=z_bar, dx=1, dy=1, dz=bar_heights)])
fig.update_layout(scene=dict(xaxis_title='X', yaxis_title='Y', zaxis_title='Z'),
title='3D Bar Chart')
fig.show()
以上代码将生成一个展示了各种类别和值之间关系的三维条形图。
Plotly提供了丰富的自定义选项，可以调整图形的样式、布局和外观。你可以根据需要修改图形的颜色、线型、标签等属性，以满足特定的可视化需求。
# 自定义图形样式
fig.update_traces(marker=dict(color='rgb(255, 127, 14)', size=10),
selector=dict(mode='markers'))
fig.update_layout(scene=dict(xaxis=dict(backgroundcolor="rgb(200, 200, 230)",
gridcolor="white",
showbackground=True,
zerolinecolor="white"),
yaxis=dict(backgroundcolor="rgb(230, 200,230)",
gridcolor="white",
showbackground=True,
zerolinecolor="white"),
zaxis=dict(backgroundcolor="rgb(230, 230,200)",
gridcolor="white",
showbackground=True,
zerolinecolor="white")),
title='Customized 3D Scatter Plot')
fig.show()
Plotly还支持创建交互式的三维图形，让用户可以通过鼠标交互来探索数据。下面是一个交互式散点图的示例：
# 创建交互式散点图
fig = go.Figure(data=[go.Scatter3d(x=x_data, y=y_data, z=z_data, mode='markers')])
fig.update_layout(scene=dict(xaxis_title='X', yaxis_title='Y', zaxis_title='Z'),
title='Interactive 3D Scatter Plot')
fig.show()
通过将鼠标悬停在数据点上，用户可以查看每个数据点的具体数值，从而更深入地了解数据。
一旦你创建了满意的三维图形，你可以将其导出为静态图片或交互式HTML文件，方便分享和展示。Plotly提供了方便的导出功能，让你可以轻松地保存图形到本地文件。
# 将图形导出为静态图片
fig.write_image("3d_plot.png")
# 将图形导出为交互式HTML文件
fig.write_html("3d_plot.html")
除了本文介绍的功能之外，Plotly还提供了许多其他强大的功能，如动画、子图、相机控制等，可以进一步增强和定制你的三维图形。你可以通过查阅官方文档或参考在线教程来深入了解这些功能，并将其应用到你的项目中。
通过本文，我们学习了如何使用Python和Plotly库绘制各种类型的三维图形，包括散点图、曲面图、线框图和条形图。我们了解了绘制每种图形所需的基本步骤和代码示例，并探索了如何自定义图形样式、创建交互式图形以及将图形导出为静态图片或交互式HTML文件。通过这些技巧和功能，我们可以轻松地在数据可视化领域创建出具有吸引力和实用性的三维图形，从而更好地理解和分析数据。无论是在科学研究、工程应用还是数据分析中，三维图形都是一种强大的工具，帮助我们发现数据之间的模式和关系，以及展示研究成果和洞见。通过不断探索和应用Python和Plotly库的功能，我们可以进一步提升数据可视化的效果和效率，为我们的工作和项目带来更多的价值和成就。
下面介绍模拟滤波器和数字滤波器的频率响应的异同，以及如何使用python地`scipy.signal`来绘制其频谱响应和冲激阶跃响应。在第二期将谈到如何设计模拟滤波器和数字滤波器。