我正在尝试在 python 中绘制一个表面。我有一个 N × N 值的表。我为 N 个元素分别创建了两个向量 X 和 Y。当我尝试绘制此图时，出现错误:

ValueError: total size of new array must be unchanged

我检查了示例，我看到对于 Z 的 N 个元素，X 和 Y 有 N 个元素。

这对我来说没有任何意义。为什么我需要 N 个元素而不是 N x N？

这是一个示例代码:

随机导入 导入数学

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np

bignum = 100

mat = []
X = []
Y = []

for x in range(0,bignum):
    mat.append([])
    X.append(x);
    for y in range (0,bignum):
        mat[x].append(random.random())
        Y.append(y)

fig = plt.figure(figsize=plt.figaspect(2.))
ax = fig.add_subplot(1,1,1, projection='3d')
surf = ax.plot_surface(X,Y,mat)

最佳答案

首先，永远不要做这样的事情:

mat = []
X = []
Y = []

for x in range(0,bignum):
    mat.append([])
    X.append(x);
    for y in range (0,bignum):
        mat[x].append(random.random())
        Y.append(y)

相当于:

mat = np.random.random((bignum, bignum))
X, Y = np.mgrid[:bignum, :bignum]

...但它的速度快了几个数量级，并且使用的内存比使用列表然后转换为数组的一小部分。

但是，您的示例完美运行。

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np

bignum = 100
mat = np.random.random((bignum, bignum))
X, Y = np.mgrid[:bignum, :bignum]

fig = plt.figure()
ax = fig.add_subplot(1,1,1, projection='3d')
surf = ax.plot_surface(X,Y,mat)
plt.show()

如果您阅读了plot_surface 的文档，它清楚地表明 X、Y 和 Z 应该是二维数组。

这样您就可以通过固有地定义点之间的连接来绘制更复杂的表面(例如球体)。 (例如，从 matplotlib 库中查看此示例:http://matplotlib.sourceforge.net/examples/mplot3d/surface3d_demo2.html)

如果您有一维 X 和 Y 数组，并且想要一个来自二维网格的简单曲面，则使用 numpy.meshgrid 或 numpy.mgrid 生成适当的 X和 Y 二维数组。

编辑: 只是为了解释 mgrid 和 meshgrid 做了什么，让我们看一下它们的输出:

print np.mgrid[:5, :5]

产量:

array([[[0, 0, 0, 0, 0],
        [1, 1, 1, 1, 1],
        [2, 2, 2, 2, 2],
        [3, 3, 3, 3, 3],
        [4, 4, 4, 4, 4]],

       [[0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4]]])

因此，它返回一个形状为 2x5x5 的 3D 数组，但更容易将其视为两个 2D 数组。一个表示 5x5 网格上任意点的 i 坐标，而另一个表示 j 坐标。

由于 python 的解包方式，我们可以这样写:

xx, yy = np.mgrid[:5, :5]

Python 并不关心 mgrid 返回什么，它只会尝试将其解包为两个项目。因为 numpy 数组在其第一个轴的切片上迭代，所以如果我们解压缩形状为 (2x5x5) 的数组，我们将得到 2 个 5x5 数组。同样，我们可以做这样的事情:

xx, yy, zz = np.mgrid[:5, :5, :5]

...并获得 3 个 3D 5x5x5 索引数组。此外，如果我们使用不同的范围进行切片(例如 xx, yy = np.mgrid[10:15, 3:8] 它将平铺从 10 到 14(含)和 3 到 7(包括)。

mgrid 做的更多(它可以采用复杂的步骤参数来模仿 linspace，例如 xx, yy = np.mgrid[0:1 :10j, 0:5:5j] 将返回 2 个 10x5 数组，分别在 0-1 和 0-5 之间增加数字)，但让我们暂时跳到 meshgrid。

meshgrid 采用两个数组并以与 mgrid 类似的方式将它们拼接。例如:

x = np.arange(5)
y = np.arange(5)
xx, yy = np.meshgrid(x, y)
print xx, yy

产量:

(array([[0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4],
       [0, 1, 2, 3, 4]]), 

array([[0, 0, 0, 0, 0],
       [1, 1, 1, 1, 1],
       [2, 2, 2, 2, 2],
       [3, 3, 3, 3, 3],
       [4, 4, 4, 4, 4]]))

meshgrid 实际上恰好返回一个 2、5x5 二维数组的元组，但这种区别无关紧要。关键区别在于指数不必在特定方向上增加。它只是平铺它给出的数组。例如:

x = [0.1, 2.4, -5, 19]
y = [-4.3, 2, -1, 18.4]
xx, yy = np.meshgrid(x, y)

产量:

(array([[  0.1,   2.4,  -5. ,  19. ],
       [  0.1,   2.4,  -5. ,  19. ],
       [  0.1,   2.4,  -5. ,  19. ],
       [  0.1,   2.4,  -5. ,  19. ]]),
 array([[ -4.3,  -4.3,  -4.3,  -4.3],
       [  2. ,   2. ,   2. ,   2. ],
       [ -1. ,  -1. ,  -1. ,  -1. ],
       [ 18.4,  18.4,  18.4,  18.4]]))

您会注意到，它只是平铺了我们赋予它的值。

基本上，当您需要使用与输入网格形状相同的索引时，您会使用这些。当您想根据网格值评估函数时，它最有用。

例如

import numpy as np
import matplotlib.pyplot as plt

x, y = np.mgrid[-10:10, -10:10]
dist = np.hypot(x, y) # Linear distance from point 0, 0
z = np.cos(2 * dist / np.pi)

plt.title(r'$\cos(\frac{2*\sqrt{x^2 + y^2}}{\pi})$', size=20)
plt.imshow(z, origin='lower', interpolation='bicubic',
          extent=(x.min(), x.max(), y.min(), y.max()))
plt.colorbar()
plt.show()

关于python - 用 python 进行 3d 绘图，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/8841827/