Практикум j практическое примщенше численных методов

визуализации данных на нерегулярном множестве узлов дает программа:


Рис. 3.20 Нерегулярное множество узлов

from matplotlib.mlab import griddata import matplotlib.pyplot as pit import numpy as np x = np.random.uniform(-2, 2, 250) у = np.random.uniform(-2, 2, 250) z = x*np.exp(-x**2 - y**2)

X = np.linspace(-2., 2., 100)
Y = np.linspace(-2., 2., 100)
Z = griddata(x, y, z, X, Y)
pit.contourf(X, Y, Z, 20, стар = pit.cm.spectral) pit.colorbar()
pit.scatter(x, y, marker^o’, c^=,k’, s=5)
pit.xlim(-2,2) pl-t .ylim(-2,2) pit.show()
Результат работы программы представлен на рис. 3.20. Здесь функция scatter используется для нанесения на график маркеров выбранного раз­мера и цвета (параметры s и с) в заданных точках.
Трехмерная визуализация
При визуализации двумерных данных значение функции в отдельных точ­ках плоскости ж, у мы связывали с цветом, отображая данные па плоскость. Вторая возможность связана с привязкой значения двумерной функции к третьей декартовой координате z. В этом случае объект визуализации есть поверхность, которая является существенно трехмерным объектом — трех­мерное представление двумерной функции.
Возможности работы с трехмерными объектами визуализации поддержива­ются в модуле mplot3D пакета Matplotlib. Прежде чем обсуждать визуализа­цию двумерных функций рассмотрим более простые объекты.
Пример рисования отдельных точек (функция scatter О) и параметрической кривой в пространстве (функция plot ()) показан на рис. 3.21. В этом примере использовалась программа
import numpy as np
import matplotlib.pyplot as pit
from mpl.toolkits.mplot3d import Axes3D
fig = pit.figure()
ax = Axes3D(fig)
x = np.random.sample(100)
у = np.random.sample(100)
z = np.random.sample(100)
ax.scatter(x, y, z)