锐客网

  1. 首页 > 生活百科 > it技术 > >

python画3维函数 python画三维

arrayIT技术

python pygame 怎么画3维图像import pygame#这句不用注释python画3维函数了吧python画3维函数，呵呵
pygame.init()#模块初始化python画3维函数，任何pygame程序均需要执行此句
screencaption=pygame.display.set_caption('hello world')#定义窗口python画3维函数的标题为'hello world'
screen=pygame.display.set_mode([640,480]) #定义窗口大小为640*480
screen.fill([255,255,255])#用白色填充窗口
Python怎么生成三维数1、创建一般的多维数组
import numpy as np
a = np.array([1,2,3], dtype=int)# 创建1*3维数组array([1,2,3])
type(a)# numpy.ndarray类型
a.shape# 维数信息(3L,)
a.dtype.name# 'int32'
a.size# 元素个数：3
a.itemsize#每个元素所占用的字节数目:4

b=np.array([[1,2,3],[4,5,6]],dtype=int)# 创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape# 维数信息（2L,3L）
b.size# 元素个数：6
b.itemsize# 每个元素所占用的字节数目:4

c=np.array([[1,2,3],[4,5,6]],dtype='int16')# 创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape# 维数信息（2L,3L）
c.size# 元素个数：6
c.itemsize# 每个元素所占用的字节数目:2
c.ndim# 维数

d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize# 每个元素所占用的字节数目：16
d.dtype.name# 元素类型：'complex128'
2、创建一般的多维数组
import numpy as np
a = np.array([1,2,3], dtype=int)# 创建1*3维数组array([1,2,3])
type(a)# numpy.ndarray类型
a.shape# 维数信息(3L,)
a.dtype.name# 'int32'
a.size# 元素个数：3
a.itemsize#每个元素所占用的字节数目:4

b=np.array([[1,2,3],[4,5,6]],dtype=int)# 创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape# 维数信息（2L,3L）
b.size# 元素个数：6
b.itemsize# 每个元素所占用的字节数目:4

c=np.array([[1,2,3],[4,5,6]],dtype='int16')# 创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape# 维数信息（2L,3L）
c.size# 元素个数：6
c.itemsize# 每个元素所占用的字节数目:2
c.ndim# 维数

d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize# 每个元素所占用的字节数目：16
d.dtype.name# 元素类型：'complex128'
3、创建特殊类型的多维数组
　a1 = np.zeros((3,4))# 创建3*4全零二维数组
输出：
array([[ 0.,0.,0.,0.],
[ 0.,0.,0.,0.],
[ 0.,0.,0.,0.]])
a1.dtype.name# 元素类型：'float64'
a1.size# 元素个数：12
a1.itemsize# 每个元素所占用的字节个数：8

a2 = np.ones((2,3,4), dtype=np.int16)# 创建2*3*4全1三维数组
a2 = np.ones((2,3,4), dtype='int16')# 创建2*3*4全1三维数组
输出：
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]], dtype=int16)

a3 = np.empty((2,3))# 创建2*3的未初始化二维数组
输出：（may vary）
array([[ 1.,2.,3.],
[ 4.,5.,6.]])

a4 = np.arange(10,30,5)# 初始值10，结束值：30（不包含），步长：5
输出：array([10, 15, 20, 25])
a5 = np.arange(0,2,0.3)# 初始值0，结束值：2（不包含），步长：0.2
输出：array([ 0. ,0.3,0.6,0.9,1.2,1.5,1.8])
from numpy import pi
np.linspace(0, 2, 9)# 初始值0，结束值：2（包含），元素个数：9
输出：
array([ 0.,0.25,0.5 ,0.75,1.,1.25,1.5 ,1.75,2.])
x = np.linspace(0, 2*pi, 9)
输出：
array([ 0.,0.78539816,1.57079633,2.35619449,3.14159265,
3.92699082,4.71238898,5.49778714,6.28318531])

a = np.arange(6)
输出：
array([0, 1, 2, 3, 4, 5])
b = np.arange(12).reshape(4,3)
输出：
array([[ 0,1,2],
[ 3,4,5],
[ 6,7,8],
[ 9, 10, 11]])
c = np.arange(24).reshape(2,3,4)
输出：
array([[[ 0,1,2,3],
[ 4,5,6,7],
[ 8,9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
使用numpy.set_printoptions可以设置numpy变量的打印格式
在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例
4、多维数组的基本操作
加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作 。
a = np.arange(4)
输出：
array([0, 1, 2, 3])
b = a**2
输出：
array([0, 1, 4, 9])
c = 10*np.sin(a)
输出：
array([ 0.,8.41470985,9.09297427,1.41120008])

n35
输出：
array([ True,True,True,True], dtype=bool)
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
C = A * B# 元素点乘
输出：
array([[2, 0],
[0, 4]])
D = A.dot(B)# 矩阵乘法
输出：
array([[5, 4],
[3, 4]])
E = np.dot(A,B)# 矩阵乘法
输出：
array([[5, 4],
[3, 4]])
多维数组操作过程中的类型转换
When operating with arrays of different types, the type of the
resulting array corresponds to the more general or precise one (a
behavior known as upcasting)
即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting
数组索引、切片和迭代
a = np.ones((2,3),dtype=int)# int32
b = np.random.random((2,3))# float64
b= a# 正确
a= b# 错误
a = np.ones(3,dtype=np.int32)
b = np.linspace(0,pi,3)
c = ab
d = np.exp(c*1j)
输出：
array([ 0.54030231 0.84147098j, -0.84147098 0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
输出：
'complex128'
多维数组的一元操作 ， 如求和、求最小值、最大值等
a = np.random.random((2,3))
a.sum()
a.min()
a.max()

b = np.arange(12).reshape(3,4)
输出：
array([[ 0,1,2,3],
[ 4,5,6,7],
[ 8,9, 10, 11]])
b.sum(axis=0)# 按列求和
输出：
array([12, 15, 18, 21])
b.sum(axis=1)# 按行求和
输出：
array([ 6, 22, 38])
b.cumsum(axis=0)# 按列进行元素累加
输出：
array([[ 0,1,2,3],
[ 4,6,8, 10],
[12, 15, 18, 21]])
b.cumsum(axis=1)# 按行进行元素累加
输出：
array([[ 0,1,3,6],
[ 4,9, 15, 22],
[ 8, 17, 27, 38]])
universal functions
B = np.arange(3)
np.exp(B)
np.sqrt(B)
C = np.array([2.,-1.,4.])
np.add(B,C)
其他的ufunc函数包括：
all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor,inner, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var,vdot, vectorize, where
5. 数组索引、切片和迭代
a = np.arange(10)**3
a[2]
a[2:5]
a[::-1] # 逆序输出
for i in a:
print (i**(1/3.))
def f(x,y):
return 10*x y
b = np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]
c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[0,1,2],
[ 10,11,12]],
[[100, 101, 102],
[110, 111, 112]]])
c.shape
输出：
(2L, 2L, 3L)
c[0,...]
c[0,:,:]
输出：
array([[ 0,1,2],
[10, 11, 12]])
c[:,:,2]
c[...,2]
输出：
array([[2,12],
[102, 112]])
for row in c:
print(row)
for element in c.flat:
print(element)
a = np.floor(10*np.random.random((3,4)))
输出：
array([[ 3.,9.,8.,4.],
[ 2.,1.,4.,6.],
[ 0.,6.,0.,2.]])
a.ravel()
输出：
array([ 3.,9.,8., ...,6.,0.,2.])
a.reshape(6,2)
输出：
array([[ 3.,9.],
[ 8.,4.],
[ 2.,1.],
[ 4.,6.],
[ 0.,6.],
[ 0.,2.]])
a.T
输出：
array([[ 3.,2.,0.],
[ 9.,1.,6.],
[ 8.,4.,0.],
[ 4.,6.,2.]])
a.T.shape
输出：
(4L, 3L)
a.resize((2,6))
输出：
array([[ 3.,9.,8.,4.,2.,1.],
[ 4.,6.,0.,6.,0.,2.]])
a.shape
输出：
(2L, 6L)
a.reshape(3,-1)
输出：
array([[ 3.,9.,8.,4.],
[ 2.,1.,4.,6.],
[ 0.,6.,0.,2.]])
详查以下函数：
ndarray.shape, reshape, resize, ravel
6. 组合不同的多维数组
a = np.floor(10*np.random.random((2,2)))
输出：
array([[ 5.,2.],
[ 6.,2.]])
b = np.floor(10*np.random.random((2,2)))
输出：
array([[ 0.,2.],
[ 4.,1.]])
np.vstack((a,b))
输出：
array([[ 5.,2.],
[ 6.,2.],
[ 0.,2.],
[ 4.,1.]])
np.hstack((a,b))
输出：
array([[ 5.,2.,0.,2.],
[ 6.,2.,4.,1.]])

from numpy import newaxis
np.column_stack((a,b))
输出：
array([[ 5.,2.,0.,2.],
[ 6.,2.,4.,1.]])

a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
输出：
array([[ 4.],
[ 2.]])
b[:,newaxis]
输出：
array([[ 2.],
[ 8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.,2.],
[ 2.,8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.],
[ 2.],
[ 2.],
[ 8.]])
np.r_[1:4,0,4]
输出：
array([1, 2, 3, 0, 4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])
详细使用请查询以下函数：
hstack, vstack, column_stack, concatenate, c_, r_
7. 将较大的多维数组分割成较小的多维数组
a = np.floor(10*np.random.random((2,12)))
输出：
array([[ 9.,7.,9., ...,3.,2.,4.],
[ 5.,3.,3., ...,9.,7.,7.]])
np.hsplit(a,3)
输出：
[array([[ 9.,7.,9.,6.],
[ 5.,3.,3.,1.]]), array([[ 7.,2.,1.,6.],
[ 7.,5.,0.,2.]]), array([[ 9.,3.,2.,4.],
[ 3.,9.,7.,7.]])]
np.hsplit(a,(3,4))
输出：
[array([[ 9.,7.,9.],
[ 5.,3.,3.]]), array([[ 6.],
[ 1.]]), array([[ 7.,2.,1., ...,3.,2.,4.],
[ 7.,5.,0., ...,9.,7.,7.]])]
实现类似功能的函数包括：
hsplit,vsplit,array_split
8.多维数组的复制操作
a = np.arange(12)
输出：
array([ 0,1,2, ...,9, 10, 11])

not copy at all
b = a
b is a# True
b.shape = 3,4
a.shape# (3L,4L)
def f(x)# Python passes mutable objects as references, so function calls make no copy.
print(id(x))# id是python对象的唯一标识符
id(a)# 111833936L
id(b)# 111833936L
f(a)# 111833936L

浅复制
c = a.view()
c is a# False
c.base is a# True
c.flags.owndata# False
c.shape = 2,6
a.shape# (3L,4L)
c[0,4] = 1234
print(a)
输出：
array([[0,1,2,3],
[1234,5,6,7],
[8,9,10,11]])
s = a[:,1:3]
s[:] = 10
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])

深复制
d = a.copy()
d is a# False
d.base is a# False
d[0,0] = 9999
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])
numpy基本函数和方法一览
ArrayCreation
arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros,zeros_like
Conversions
ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat
Manipulations
array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize,squeeze, swapaxes, take, transpose, vsplit, vstack
Questionsall, any, nonzero, where
Ordering
argmax, argmin, argsort, max, min, ptp, searchsorted, sort
Operations
choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum
Basic Statistics
cov, mean, std, var
Basic Linear Algebra
cross, dot, outer, linalg.svd, vdot
完整的函数和方法一览表链接：
使用Python画出一个三维的函数图像，数据来自于一个Excel表格？raw_input获取的输入是字符串，不能直接用np.array，需要用split进行切分，然后强制转化成数值类型，才能用plot函数
我把你的代码稍微修改了一下，可能不太漂亮，不过能运行了
x=[1,2,3]
a
=
raw_input('function')
a
=
a.split('
')#依空格对字符串a进行切分，如果是用逗号分隔，则改成a.split(',')
b
=
[]
for
i
in
range(len(a)):#把切分好的字符强制转化成int类型，如果是小数，将int改为float
b.append(int(a[i]))
plt.plot(x,
b,
label='x',
color="green",
linewidth=1)
python 绘制三维图形、三维数据散点图1. 绘制3D曲面图
from matplotlib import pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig=plt.figure()
ax=Axes3D(fig)
x=np.arange(-4,4,0.25)
y=np.arange(-4,4,0.25)
x,y=np.meshgrid(x,y)
r=np.sqrt(x**2, y**2)
z=np.sin（r）
//绘面函数
ax.plot_surface（x,y,z,rstride=1,cstride=1,cmap=“rainbow”
plt.show（）
2.绘制三维的散点图（表述一些数据点分布）
4a.mat数据地址：http blog.csdn.net/eddy_zhang/article/details/50496164
from matplotlib import pyplot as plt
import scipy.io as sio
from mpl_toolkits.mplot3d import Axes3D
matl=‘4a.mat’
data=https://www.04ip.com/post/sio.loadmat（matl）
m=data[‘data’]
x,y,z=m[0],m[1],m[2]
//创建一个绘图工程
ax=plt.subplot（111,project=‘3D’）
//将数据点分成三部分画，在颜色上有区分度
ax.scatter（x[：1000], y[：1000], z[：1000],c=‘y’ ）//绘制数据点
ax.scatter（x[1000：4000], y[1000：4000], z[1000：4000],c=‘r’ ）//绘制数据点
ax.scatter（x[4000：], y[4000：], z[4000：],c=‘g’ ）//绘制数据点
ax.set_zlable（‘z’）//坐标轴
ax.set_ylable（‘y’）//坐标轴
ax.set_xlable（‘x’）
plt.show（）
【python画3维函数 python画三维】python画3维函数的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于python画三维、python画3维函数的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：mysql语句共分几类 mysql有几种字段

    下一篇：如何设置手机服务器及端口 怎么手机设置服务器密码