可视化神器plotly绘制3d图(代码片段)

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

本文中重点介绍的是如何利用plotly来绘制3D图形。

在3D图形中一般是包含3个轴的：x、y、z。在Plotly中绘图的时候，我们对layout布局进行设置的时候，通常是对一个叫做scene的参数进行设置，在这个参数就是包含x、y、z3个不同轴的设置，比如轴的范围、名称、颜色等。同时还会介绍不同类型的3D图形，比如：3D散点图、3D平面图等

先睹为快

首先我们看看几个由Plotly实现的3D图形，你相信它们其实是同一个吗？

Plotly连载

Plotly目前连载的全部文章如下：

导入库、数据

本文中的很多图形都是基于鸢尾花数据集来绘制的，所以我们先导入库和数据集：

import pandas as pd
import numpy as np

import plotly.express as px
import plotly.graph_objects as go

3D Scatter（3D散点图）：基于plotly_express

基本3D图形

最简单的3D图形，通过使用px.scatter_3d来绘制：

fig = px.scatter_3d(
  iris,
  x="sepal_length",
  y="sepal_width",
  z="petal_width",
  color="species"
)

fig.show()

设置散点不同的形状和大小；

# 还可以给每个散点加上不同的markder标记

fig = px.scatter_3d(
  iris,
  x="sepal_length",
  y="sepal_width",
  z="petal_length",
  color="petal_width",
  symbol="species"
)

fig.show()

# 设置散点大小

fig = px.scatter_3d(
  iris,
  x="sepal_length",
  y="sepal_width",
  z="petal_width",
  color="petal_length",
  size="petal_length",
  size_max=18,  # 散点最大值
  opacity=0.7,  # 透明度
  symbol="species"
)
fig.update_layout(margin=dict(l=0,r=0,b=0,t=0))

fig.show()

3D Scatter：基于go.Scatter3dME

基础3D图形

import plotly.graph_objects as go
import numpy as np

# 模拟数据
t = np.linspace(0, 10, 50)
x, y, z = np.cos(t), np.sin(t), t

fig = go.Figure(data=[go.Scatter3d(
    x=x,  # 设置3个不同的坐标数据
    y=y, 
    z=z,
    mode='markers')])  # 'lines', 'markers', 'text'  3种情况的组合

fig.show()

改变散点的颜色：

import plotly.graph_objects as go
import numpy as np

N = 88
t = np.linspace(0, 20, N)
x, y, z = np.cos(t), np.sin(t), t

fig = go.Figure(data=[go.Scatter3d(
    x=x,
    y=y,
    z=z,
    mode='markers',
    marker=dict(  # 对标记的设置
        size=10,
        color=z,  # 颜色设置
        colorscale='Viridis',   # 选择颜色
        opacity=0.86  # 透明度
    )
)])

# 图形的边际范围设置
fig.update_layout(margin=dict(l=4, r=4, b=0, t=0))
fig.show()

3D平面图：go.Surface实现

基于地形的3D平面图

使用的数据如下：

import plotly.graph_objects as go

import pandas as pd

# 读取在线的csv文件

z_data = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/api_docs/mt_bruno_elevation.csv',
                     index_col=0)  # index_col参数表示将第一列的数据当做索引
z_data.head()

fig = go.Figure(data=[go.Surface(z=z_data.values)])

fig.update_layout(title="3D Surface图形绘制", # 标题
                  autosize=False,  # 尺度自动缩放
                  width=700,  # 长宽
                  height=600,
                  margin=dict(l=65,r=50,b=65,t=90)  # 4个位置的距离
                 )

fig.show()

带有轮廓线的3D图形

# 数据同上

# 1、先生成画布
fig = go.Figure(data=[go.Surface(z=z_data.values)])

fig.update_traces(contours_z=dict(  # 轮廓设置
    show=True,  # 开启是否显示
    usecolormap=True,  # 颜色设置
    highlightcolor="mistyrose",  # 高亮
    project_z=True))

fig.update_layout(
    title='带有轮廓的3D平面图',
    autosize=False,
    scene_camera_eye=dict(x=1.87, y=0.88, z=-0.64),
    width=600, 
    height=500,
    margin=dict(l=65, r=50, b=65, t=90)
)

fig.show()

多个3D图形

在一个画布中国绘制多个图形：

z1 = np.array([  # numpy数组形式
    [8.83,8.89,8.81,8.87,8.9,8.87],
    [8.89,8.94,8.85,8.94,8.96,8.92],
    [8.84,8.9,8.82,8.92,8.93,8.91],
    [8.79,8.85,8.79,8.9,8.94,8.92],
    [8.79,8.88,8.81,8.9,8.95,8.92],
    [8.8,8.82,8.78,8.91,8.94,8.92],
    [8.75,8.78,8.77,8.91,8.95,8.92],
    [8.8,8.8,8.77,8.91,8.95,8.94],
    [8.74,8.81,8.76,8.93,8.98,8.99]
])

z2 = z1 + 5
z3 = z1 - 5

fig = go.Figure(data=[
    go.Surface(z=z1),
    go.Surface(z=z2, showscale=False, opacity=0.9),
    go.Surface(z=z3, showscale=False, opacity=0.9)

])

fig.show()

6 3D气泡图：3D Bubble

6.1 基于Plotly_Express实现

data = px.data.gapminder()  # gdp数据集

fig = px.scatter_3d(data,  # 传入数据
                    x='year',  # 选择3个坐标
                    y='continent', 
                    z='pop', 
                    size='gdpPercap',  # 气泡大小
                    color='lifeExp',  # 颜色
                    hover_data=['country'])  # 悬停数据

# 如果数据过大，可以使用对数来表示
fig.update_layout(scene_zaxis_type="log")  # z轴取对数

fig.show()

6.2 基于go.Scatter3d实现

数据部分：

start, end = 800,1200  # 选择开始和结束索引，用于筛选数据

fig = go.Figure(data=go.Scatter3d(
    x=df1['year'][start:end],  # 通过设置的数值，切片方式取出部分数据
    y=df1['continent'][start:end],
    z=df1['pop'][start:end],
    text=df1['country'][start:end], # 文本显示的数据
    mode='markers',  # 气泡的显示形式：标记marker
    marker=dict(   
        sizemode = 'diameter',  # 大小的形式：'diameter', 'area'
        sizeref = 1500,
        size = df1['gdpPercap'][start:end],
        color = df1['lifeExp'][start:end],
        colorscale = 'Viridis',
        line_color='rgb(140, 140, 170)'
    )
))


fig.update_layout(height=800, 
                  width=800,
                  title='3D气泡图绘制')

fig.show()

7 3D等值曲面图（Isosurface）

使用go.Isosurface来绘制

7.1 基础3D等值

import plotly.graph_objects as go

fig= go.Figure(data=go.Isosurface(
    x=[0,0,0,0,1,1,1,1],  # 设置3个坐标
    y=[1,0,1,0,1,0,1,0],
    z=[1,1,0,0,1,1,0,0],
    
    value=[1,2,3,4,5,6,7,8],  # 设置取值
    
    isomin=2,  # 颜色取值范围
    isomax=7,
))

fig.show()

7.2 改变等值曲面的个数

在下面的案例中使用了numpy中的一个函数mgrid：

• np.mgrid函数返回多维结构，常见的如2D图形，3D图形。
• 对比np.meshgrid，在处理大数据时速度更快，且能处理多维（np.meshgrid只能处理2维）
• ret = np.mgrid[ 第1维，第2维 ，第3维 ， …] ：返回多值，以多个矩阵的形式返回，
• 第1返回值为第1维数据在最终结构中的分布，第2返回值为第2维数据在最终结构中的分布，以此类推。

import plotly.graph_objects as go
import numpy as np

# 通过numpy的mgrid函数来生成3个数据
X, Y, Z = np.mgrid[-5:5:40j, -5:5:40j, -5:5:40j]

# 取值
values = X * X * 0.5 + Y * Y + Z * Z * 2

fig = go.Figure(data=go.Isosurface(
    x=X.flatten(),
    y=Y.flatten(),
    z=Z.flatten(),
    value=values.flatten(),
    isomin=10,
    isomax=50,
    surface_count=5, 
    colorbar_nticks=5, 
    caps=dict(x_show=False, y_show=False)
    ))

fig.show()

改变颜色和透明度

import plotly.graph_objects as go
import numpy as np

# 通过numpy的mgrid函数来生成3个数据
X, Y, Z = np.mgrid[-5:5:40j, -5:5:40j, -5:5:40j]

# 取值
values = X * X * 0.5 + Y * Y + Z * Z * 2

fig = go.Figure(data=go.Isosurface(
    x=X.flatten(),
    y=Y.flatten(),
    z=Z.flatten(),
    value=values.flatten(),
    opacity=0.6,  # 改变图形的透明度
    colorscale='plotly3',  # 改变颜色
    isomin=10,
    isomax=50,
    surface_count=5, 
    colorbar_nticks=5, 
    caps=dict(x_show=False, y_show=False)
    ))

fig.show()

高级等值曲面图

# 生成3个numpy数组
X, Y, Z = np.mgrid[-5:5:40j, -5:5:40j, -5:5:40j]

# 具体值
values = X * X * 0.5 + Y * Y + Z * Z * 2

fig = go.Figure(data=go.Isosurface(
    x=X.flatten(),  # 3个坐标
    y=Y.flatten(),
    z=Z.flatten(),
    value=values.flatten(),  # 数据值
    isomin=5,  # 值的范围
    isomax=50,
    surface_fill=0.7, # 表面填充色度
    caps=dict(x_show=False, y_show=False),
    slices_z=dict(show=True, locations=[-1, -9,-5]),
    slices_y=dict(show=True, locations=[1,8]),
    ))

fig.show()

X, Y, Z = np.mgrid[-5:5:40j, -5:5:40j, 0:5:20j]

values = X * X * 0.5 + Y * Y + Z * Z * 2

fig = go.Figure(data=go.Isosurface(
    x=X.flatten(),  # 3个坐标轴和取值
    y=Y.flatten(),
    z=Z.flatten(),
    value=values.flatten(),
    isomin=30,  #  等曲面的取值大小
    isomax=50,
    surface=dict(count=3, fill=0.7, pattern='odd'),  # pattern取值：'all', 'odd', 'even'
    caps=dict(x_show=True, y_show=True),
    ))

fig.show()