数据导入及清洗

先导入坐标集数据，再进行针对性的数据清洗。

请点击此处来下载原数据文件（.npy）。

导入

这个坐标集数据是以[a, b, c, d]的形式集合，其中[a, b, c]视为坐标[x, z, y]以及[d]视为相应坐标的ID。
以下方导入的示例数据中的[2, 2, 1920, 480]为例，[2, 2, 1920]对应坐标系中的[x, z, y]，[480]仅仅为[2, 2, 1920]的ID识别码。

DATA = np.load('Exampledata_3D_scatter.npy')
'''
[([   2,    2, 1920,  480],) ([   1,    3, 1923,  480],)......([   4,    1, 1920,  480],) ([   3,    0, 1922,  480],)......([   3,    3, 1923,  480],)]⬆️ .shape, (69,)
⬆️ data.dtype, [('f0', '<i8', (4,))]
⬆️ type(data), <class 'numpy.ndarray'>
⬆️ type(data[0]), <class 'numpy.void'>
'''

其中，对于numpy.void¹’ ²的处理, 截止目前为止，有2种方法：

np.array([DATA[i][0] for i in range(DATA.shape[0])])

data = np.array([DATA[i][0] for i in range(DATA.shape[0])])
'''
[[   2    2 1920  480]
......[   3    3 1923  480]]
⬆️ data.shape, (69, 4); data.dtype, [('f0', '<i8', (4,))]; type(data), <class 'numpy.ndarray'>data[-1], ([   3,    3, 1923,  480],)
⬆️ type(data[-1]), <class 'numpy.void'>; data[-1].dtype, [('f0', '<i8', (4,))]
'''

np.array(DATA.tolist()).squeeze(axis=1)

data = np.array(DATA.tolist()).squeeze(axis=1)
'''
DATA.tolist()
[(array([   2,    2, 1920,  480]),), ..., (array([   3,    3, 1923,  480]),)]
⬆️ type(DATA.tolist()), <class 'list'>np.array(DATA.tolist())
[[[   2    2 1920  480]][[   1    3 1923  480]]
....[[   3    3 1923  480]]]
⬆️ np.array(DATA.tolist()).shape, (69, 1, 4); np.array(DATA.tolist()).dtype, int64; type(np.array(DATA.tolist())), <class 'numpy.ndarray'>; np.array(DATA.tolist()).squeeze(axis=1)
[[   2    2 1920  480][   1    3 1923  480]
......[   3    3 1923  480]]
⬆️ np.array(DATA.tolist()).squeeze(axis=1).shape, (69, 4); np.array(DATA.tolist()).squeeze(axis=1).dtype, int64; 
type(np.array(DATA.tolist()).squeeze(axis=1))，<class 'numpy.ndarray'>
'''

data = np.array(DATA.tolist()).squeeze(axis=1)
'''
[[   2    2 1920  480][   1    3 1923  480]
......[   3    3 1923  480]]
⬆️ np.array(DATA.tolist()).squeeze(axis=1).shape, (69, 4); np.array(DATA.tolist()).squeeze(axis=1).dtype, int64; type(np.array(DATA.tolist()).squeeze(axis=1))，<class 'numpy.ndarray'>
'''

清洗

获取全部坐标

以[2, 2, 1920, 480]为例，[2, 2, 1920]对应坐标系中的[x, z, y]，我们只在意第0、1、2列。而此处有3列。为达到目的，可以使用np.hsplit³和[:, 0:3]⁴来进行数组的切片。

X, Y, Z = np.hsplit(data[:, 0:3], 3)
'''
[[2]...[3]]
⬆️ X.shape, (69, 1)[[2]...[3]]
⬆️ Y.shape, (69, 1)[[1920]...[1923]]
⬆️ Z.shape, (69, 1)
'''

如果试图切割数组的所有列为单独的数组，
x, y, z, m = np.hsplit(data, data.shape[1])

筛选特定坐标

以[ 7 3 1923 480]为例，对应坐标系中的[7, 3, 1923]，我们只在意坐标集中x为7的坐标，因此为达到目的可以使用np.where(condition, x, y)⁵⁶来对数组进行筛选。

x7 = data[np.where(data[:, 0]==7)]
'''
[[   7    3 1923  480]...[   7    1 1921  480]]
⬆️ x7.shape, (9, 4); x7.dtype, int64; type(x7), <class 'numpy.ndarray'>
'''x7x, x7y, x7z = np.hsplit(x7[:, 0:3], 3)
'''
[[7]......[7]]
⬆️ x7x.shape, (9, 1)[[3]......[1]]
⬆️ x7y.shape, (9, 1)[[1923]......[1921]]
⬆️ x7z.shape, (9, 1)
'''

数据3D可视化

此部分使用清洗中给出的示例数据介绍如何将数据实现3D可视化。

引入所需的库，

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

3D可视化的实现可参考⁷’ ⁸’ ⁹’ ¹⁰

散点图

在这里插入图片描述

注释¹¹’ ¹²’ ¹³
字体¹⁴
坐标轴
[1] 尺寸¹⁵
[2] 刻度¹⁶’ ¹⁷’ ¹⁸
[3] 标签¹⁹
图例⁹
标题²⁰
保存²¹

单图

fig = plt.figure(figsize=(6, 6))
ax = plt.axes(projection='3d')# [7, y, z, ID]
i = 7
xi = data[np.where(data[:, 0] == i)]
xix, xiy, xiz = np.hsplit(xi[:, 0:3], 3)
ax.scatter3D(xix, xiy, xiz, s=40, c=xiz, marker='o', alpha=0.8, edgecolor='white')# ticks
tickls, tickc = 5, 'black'
xmin, xmax = data[:, 0].min(), data[:, 0].max()
ymin, ymax = data[:, 1].min(), data[:, 1].max()
zmin, zmax = data[:, 2].min(), data[:, 2].max()
ax.set_xlim(xmin=xmin-1, xmax=xmax+1)
ax.set_xticklabels(range(xmin-1, xmax+1, 1), color=tickc)
ax.tick_params(axis='x', labelsize=tickls)
ax.set_ylim(bottom=ymin - 1, top=ymax + 1)
ax.set_yticklabels(range(ymin - 1, ymax + 1, 1), color=tickc)
ax.tick_params(axis='y', labelsize=tickls)
ax.set_zlim(bottom=zmin - 1, top=zmax + 1)
ax.set_zticklabels(range(zmin - 1, zmax + 1, 1), color=tickc)
ax.tick_params(axis='z', labelsize=tickls)# test
for idx in range(xi.shape[0]):ax.text(x=xix[idx][0], y=xiy[idx][0], z=xiz[idx][0], s=xi[idx][1:3], zdir='x', fontsize=5)# labels
labelfd = {'size': 8, 'color': 'black'}
ax.set_xlabel('X', fontdict=labelfd)
ax.set_ylabel('Y', fontdict=labelfd)
ax.set_zlabel('Z', fontdict=labelfd)# title
ax.set_title(f"x={i}", loc='left', fontsize=8)
plt.suptitle("Single(x=7)", x=0.5, y=0.92, fontsize=16, color='red')
plt.savefig("NumPy_Ex1_3Dscatter_Single(x=7).png", dpi=300)

效果图如下所示：
在这里插入图片描述

多子图

子图²²’ ²³

fig = plt.figure(figsize=(12, 12))
for i in range(8):ax = fig.add_subplot(2, 4, i+1, projection='3d')                                    # create subplotx7 = data[np.where(data[:, 0] == 7)]x7x, x7y, x7z = np.hsplit(x7[:, 0:3], 3)                                            # [0~7, y, z, ID]ax.scatter3D(x7x, x7y, x7z, s=40, c=x7z, marker='o')# tickstickls, tickc = 5, 'black'xmin, xmax = data[:, 0].min(), data[:, 0].max()ymin, ymax = data[:, 1].min(), data[:, 1].max()zmin, zmax = data[:, 2].min(), data[:, 2].max()ax.set_xlim(xmin=xmin - 1, xmax=xmax + 1)ax.set_xticklabels(range(xmin - 1, xmax + 1, 1), color=tickc)ax.tick_params(axis='x', labelsize=tickls)ax.set_ylim(bottom=ymin - 1, top=ymax + 1)ax.set_yticklabels(range(ymin - 1, ymax + 1, 1), color=tickc)ax.tick_params(axis='y', labelsize=tickls)ax.set_zlim(bottom=zmin - 1, top=zmax + 1)ax.set_zticklabels(range(zmin - 1, zmax + 1, 1), color=tickc)ax.tick_params(axis='z', labelsize=tickls)# annotationfor idx in range(x7.shape[0]):ax.text(x=x7x[idx][0], y=x7y[idx][0], z=x7z[idx][0], s=x7[idx][1:3], zdir='x', fontsize=3)# labelslabelfd = {'size': 8, 'color': 'black'}ax.set_xlabel('X', fontdict=labelfd)ax.set_ylabel('Y', fontdict=labelfd)ax.set_zlabel('Z', fontdict=labelfd)# titleax.set_title(f"x={7}", loc='right', fontsize=8)plt.suptitle("x=7", x=0.5, y=0.88, fontsize=16, color='red')
plt.savefig("8*Subplots(x=7).png", dpi=300)