使用 NumPy 和 Matplotlib 进行高级数据可视化：实践指南

数据科学和工程实践中，NumPy 和 Matplotlib 是强大的组合工具。本文将进一步展示如何借助这两个库进行更复杂的可视化任务，例如创建多曲线、叠加图、动态可视化等场景。

一、环境准备

确保你已经安装 NumPy 和 Matplotlib：

pip install numpy matplotlib

引入必要库：

import numpy as np
import matplotlib.pyplot as plt

二、NumPy 高级数据生成

以下示例生成多组数据，以便展示复杂的图表绘制。

# 创建时间序列数据
time = np.linspace(0, 20, 200)

# 多种波形生成
sin_wave = np.sin(time)
cos_wave = np.cos(time)
sin2_wave = np.sin(time + np.pi / 4)  # 相位偏移的正弦波
noise = 0.3 * np.random.randn(200)    # 添加噪声

# 混合信号数据
mixed_signal = sin_wave + noise

这些数据将用于展示多种可视化技术。

三、叠加多条曲线

在工程和科研中，经常需要将多条曲线叠加在一起进行比较。

plt.figure(figsize=(10, 6))

# 绘制多条曲线
plt.plot(time, sin_wave, label='Sine Wave', linestyle='-', color='b')
plt.plot(time, cos_wave, label='Cosine Wave', linestyle='--', color='r')
plt.plot(time, sin2_wave, label='Phase Shifted Sine', linestyle='-.', color='g')

# 添加图例、标题和坐标轴标签
plt.title('Multiple Waveforms')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.legend(loc='upper right')

# 展示图表
plt.show()

在这里插入图片描述

效果：

这个图表将正弦、余弦以及相位偏移的正弦波叠加在一起，帮助分析它们的相位和幅度关系。

四、动态变化的折线图

有时我们需要动态观察数据的变化，下面的示例展示了如何用 FuncAnimation 实现动态折线图。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 生成数据：时间序列和正弦波
time = np.linspace(0, 20, 200)
sin_wave = np.sin(time)

# 创建图表和轴
fig, ax = plt.subplots()
ax.set_xlim(0, 20)  # X轴范围
ax.set_ylim(-1.5, 1.5)  # Y轴范围
line, = ax.plot([], [], lw=2, color='b')  # 初始空折线

# 初始化函数：将折线置为空白
def init():
    line.set_data([], [])
    return line,

# 动态更新函数：逐帧更新折线的数据
def update(frame):
    x = time[:frame]  # 每帧展示一部分时间序列数据
    y = sin_wave[:frame]  # 每帧展示对应的正弦波数据
    line.set_data(x, y)
    return line,

# 创建动画，frames 控制动画的总帧数，interval 设置每帧间隔时间（毫秒）
ani = FuncAnimation(fig, update, frames=len(time), init_func=init, blit=True, interval=50)

# 展示动画
plt.show()

在这里插入图片描述

效果：

该动画演示了正弦波随着时间的动态绘制过程。

五、双 Y 轴图表

在某些场景下，我们需要在同一个图表上显示两种不同量纲的数据。

fig, ax1 = plt.subplots()

# 绘制第一个 Y 轴上的数据
ax1.set_xlabel('Time (s)')
ax1.set_ylabel('Sine Wave', color='b')
ax1.plot(time, sin_wave, color='b')
ax1.tick_params(axis='y', labelcolor='b')

# 创建共享 X 轴的第二个 Y 轴
ax2 = ax1.twinx()
ax2.set_ylabel('Mixed Signal', color='r')
ax2.plot(time, mixed_signal, color='r')
ax2.tick_params(axis='y', labelcolor='r')

# 展示图表
fig.tight_layout()
plt.show()

在这里插入图片描述

效果：

这幅图展示了正弦波和混合信号，分别对应于左右两个 Y 轴，使得不同数据量的趋势更直观。

六、热力图（Heatmap）

热力图可以有效地展示二维数据的密集分布。

# 生成二维随机数据
data = np.random.rand(10, 10)

# 绘制热力图
plt.imshow(data, cmap='viridis', interpolation='nearest')
plt.colorbar()  # 添加颜色条

plt.title('Heatmap Example')
plt.show()

在这里插入图片描述

效果：

热力图可以用于分析二维数据的密集度，如矩阵值或图像处理中的像素值。

七、3D 数据可视化

Matplotlib 还支持 3D 可视化，这对于科学计算和复杂数据展示非常有用。

from mpl_toolkits.mplot3d import Axes3D

# 创建网格数据
X = np.linspace(-5, 5, 50)
Y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(X, Y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建 3D 图表
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 绘制 3D 曲面
ax.plot_surface(X, Y, Z, cmap='viridis')

# 添加标题
ax.set_title('3D Surface Plot')
plt.show()

在这里插入图片描述

效果：

3D 曲面图展示了二维函数的空间分布，可用于展示地形数据、数学函数等。

八、结论

本文介绍了使用 NumPy 和 Matplotlib 进行更复杂的数据可视化方法，包括多曲线叠加、动态折线图、双 Y 轴图表、热力图和 3D 可视化。这些技巧可以帮助你更全面地展示数据，并揭示数据背后的复杂关系。

希望这篇博客能帮助你更好地掌握 NumPy 和 Matplotlib 的高级用法！

秒客网

使用 NumPy 和 Matplotlib 进行高级数据可视化：实践指南