Hướng dẫn 2d contour plot python - Python âm mưu đường viền 2d

Đọc trong dữ liệu#

Tệp này cũng là một CSV, vì vậy chúng tôi sẽ sử dụng gấu trúc để đọc nó.

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]

5 hàng × 42 cột

Lưu ý rằng lần này, chức năng

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv", header=None]
px_orbital.head[]

5 hàng × 42 cột

Lưu ý rằng lần này, chức năng

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

...

x = px_orbital.iloc[0, 1:]
y = px_orbital.iloc[1:, 0]
px_values = px_orbital.iloc[1:, 1:]

Chúng tôi sẽ thực hiện một số cắt bổ sung trên dữ liệu này để vẽ nó. Bạn sẽ không tự động biết điều này từ việc nhìn vào tệp dữ liệu, nhưng nó được cấu trúc theo một cách cụ thể. Hàng đầu tiên biểu thị các giá trị

x = px_orbital.iloc[0, 1:]
y = px_orbital.iloc[1:, 0]
px_values = px_orbital.iloc[1:, 1:]

x = px_orbital.iloc[0, 1:]
y = px_orbital.iloc[1:, 0]
px_values = px_orbital.iloc[1:, 1:]

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

x = px_orbital.iloc[0, 1:]
y = px_orbital.iloc[1:, 0]
px_values = px_orbital.iloc[1:, 1:]

x = px_orbital.iloc[0, 1:]
y = px_orbital.iloc[1:, 0]
px_values = px_orbital.iloc[1:, 1:]

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

Chúng tôi sẽ phải sử dụng cú pháp cắt lát với chức năng

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

9 đã được thảo luận trong phần đầu tiên trên các khung dữ liệu gấu trúc.

5 hàng × 41 cột

Tạo một lô đường viền#

import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.size'] = 14
mpl.rcParams['legend.fontsize'] = 'large'
mpl.rcParams['figure.titlesize'] = 'medium'

fig, ax = plt.subplots[]

ax.contour[x, y, px_values]
ax.set_aspect['equal']

Bây giờ chúng tôi đã cắt giảm dữ liệu của mình, chúng tôi sẽ sử dụng chức năng đường viền để tạo biểu đồ đường viền. Đối với hàm đường viền, bạn phải đưa ra danh sách các giá trị x, danh sách các giá trị y và mảng chứa các giá trị z. May mắn thay, dữ liệu của chúng tôi đã ở định dạng này.

Chúng tôi cũng thêm lệnh

fig, ax = plt.subplots[]

CS = ax.contourf[x, y, px_values]
ax.set_aspect['equal']

fig.colorbar[CS]

fig, ax = plt.subplots[]

CS = ax.contourf[x, y, px_values]
ax.set_aspect['equal']

fig.colorbar[CS]

Chọn bản đồ màu#

Khi tạo một biểu đồ đường viền, bạn cũng có thể chỉ định bản đồ màu bạn muốn sử dụng. Bạn có thể thấy một danh sách các bản đồ màu tích hợp cho matplotlib tại đây.

Có nhiều loại colormaps khác nhau mà bạn có thể muốn chọn tùy thuộc vào loại dữ liệu bạn đang xem. Matplotlib đưa ra hướng dẫn sau [xem, ví dụ, Moreland]:

1. Tuần tự: Thay đổi độ nhẹ và thường là độ bão hòa của màu tăng dần, thường sử dụng một màu sắc duy nhất; nên được sử dụng để đại diện cho thông tin có đặt hàng.: change in lightness and often saturation of color incrementally, often using a single hue; should be used for representing information that has ordering.

2. Phân kỳ: Thay đổi độ nhẹ và có thể bão hòa của hai màu khác nhau đáp ứng ở giữa với màu không bão hòa; nên được sử dụng khi thông tin được vẽ có giá trị trung bình quan trọng, chẳng hạn như địa hình hoặc khi dữ liệu lệch xung quanh số không.: change in lightness and possibly saturation of two different colors that meet in the middle at an unsaturated color; should be used when the information being plotted has a critical middle value, such as topography or when the data deviates around zero.

3. Theo chu kỳ: Thay đổi độ sáng của hai màu khác nhau đáp ứng ở giữa và đầu/kết thúc ở một màu không bão hòa; nên được sử dụng cho các giá trị bao bọc xung quanh tại các điểm cuối, chẳng hạn như góc pha, hướng gió hoặc thời gian trong ngày.: change in lightness of two different colors that meet in the middle and beginning/end at an unsaturated color; should be used for values that wrap around at the endpoints, such as phase angle, wind direction, or time of day.

4. Định tính: Thường là màu linh tinh; nên được sử dụng để đại diện cho thông tin không có thứ tự hoặc các mối quan hệ.: often are miscellaneous colors; should be used to represent information which does not have ordering or relationships.

Dữ liệu này có cả giá trị dương và âm, bằng 0 đại diện cho một nút cho hàm sóng. Hãy dành một chút thời gian và nghĩ về loại bản đồ màu nào sẽ là tốt nhất cho loại dữ liệu này.

Sau khi xem xét, bạn nên đi đến kết luận rằng chúng ta nên sử dụng ColorMap chuyển hướng để thể hiện tốt nhất dữ liệu này. Chúng tôi sẽ sử dụng Colormap, Rdbu.diverging colormap to best represent this data. We will use the colormap “RdBu”.

fig, ax = plt.subplots[]

CS = ax.contourf[x, y, px_values, cmap="RdBu"]
ax.set_aspect['equal']

fig.colorbar[CS]

Số lượng màu sắc đường viền - Cấp độ#

Cốt truyện của chúng tôi chỉ hiển thị sáu màu khác nhau theo mặc định, nhưng chúng tôi có thể quan tâm đến chi tiết hạt ngón tay của cốt truyện của chúng tôi. Chúng tôi sẽ muốn chỉ định có bao nhiêu màu hoặc có bao nhiêu cấp độ mà chúng tôi muốn sử dụng trong Colormap của chúng tôi.

Thật không may, chúng ta có thể chỉ nói rằng chúng ta muốn có bao nhiêu cấp độ. Chúng ta phải đưa ra các giá trị số nơi chúng ta muốn các cấp độ xảy ra. Ví dụ: nếu dữ liệu của chúng tôi dao động từ -10 đến 10 và chúng tôi muốn có 20 cấp cách đều nhau [hoặc, một màu cho mỗi số nguyên], chúng tôi sẽ cần cung cấp cho matplotlib một danh sách tất cả các số nguyên để sử dụng làm cấp.

Đối với dữ liệu của chúng tôi, chúng tôi có thể muốn bắt đầu ở giá trị tối thiểu và kết thúc ở giá trị tối đa. Chúng ta có thể sử dụng một chức năng trong Numpy gọi là

Đầu tiên, chúng tôi nhập Numpy và tính toán tối thiểu và tối đa của các giá trị Z của chúng tôi.

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]

Tiếp theo, chúng tôi sử dụng hàm

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]

Chúng tôi chuyển danh sách các số này cho đối số

fig, ax = plt.subplots[]

CS = ax.contourf[x, y, px_values]
ax.set_aspect['equal']

fig.colorbar[CS]

Việc xem xét cuối cùng cho cốt truyện này là các con số trong thanh màu của chúng tôi. Chúng tôi có thể muốn ít nhãn hơn và ít vị trí thập phân hơn. Để chỉ định số vị trí thập phân của chúng tôi, chúng tôi sẽ sử dụng đối số

import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.size'] = 14
mpl.rcParams['legend.fontsize'] = 'large'
mpl.rcParams['figure.titlesize'] = 'medium'

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]

import pandas as pd

px_orbital = pd.read_csv["px_2D.csv"]