使用matplotlib的quiver绘制二维箭头图

2024-04-22 21:28
文章标签 使用 matplotlib 绘制 二维 箭头 quiver

本文主要是介绍使用matplotlib的quiver绘制二维箭头图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

使用ax.quiver绘制二维箭头图

1. matplotlib的quiver函数的调用方式

quiver函数是axes类的成员函数，其基本调用方式为：

quiver([X, Y], U, V, [C], **kwargs)
[X,Y]是箭头的位置，U,V是箭头的方向，C是箭头颜色。
具体而言，C是一个与X,Y的尺寸相同的数组，每个元素记录与箭头颜色相关的值。这些值通过norm和cmap参数映射到真正的颜色值。设置了C参数之后，color参数不生效。
color是直接设置箭头颜色的参数，若它为一个值，则表示所有箭头都是同一种色彩；也可以是与X,Y的尺寸相同的数组，记录每个箭头的颜色。
箭头方向参数angles可以取'uv'（默认）或'xy'。'uv’表示箭头指向采用屏幕坐标系中的方向，与X,Y所在坐标系的定义无关；'xy’表示箭头方向在数据坐标系中，箭头从(x,y)指向(x+u,y+v)。
箭头的尺寸参数包括：
scale_unit箭头长度的单位，可以取'width', 'height', 'dots', 'inches', 'x', 'y', 'xy'。例如，(u,v)=(1,0)，scale取1.0，当scale_unit取’width’时，箭头的长度是轴的宽度；当scale_unit取’height’时，箭头长度是轴的高度；
长度，用scale参数来调节。若不设置scale参数，则matplotlib自动调整所有箭头的长度；若设置scale的值，值越小，箭头的显示越长。scale取1时，箭头的长度等于U,V的计算值×scale_unit

通过下面的例子认识scale_units：

import matplotlib.pyplot as pltax.quiver(0,25,0.5,0,scale_units='width',scale=1.0, color='red')
ax.quiver(0,50,1,0,scale_units='width',scale=1.0, color='red')
ax.quiver(0,75,1.5,0,scale_units='width',scale=1.0, color='red')ax.quiver(25,0,0,0.5,scale_units='height',scale=1.0, color='green')
ax.quiver(50,0,0,1,scale_units='height',scale=1.0, color='green')
ax.quiver(75,0,0,1.5,scale_units='height',scale=1.0, color='green')ax.set_xlim(0,100)
ax.set_ylim(0,200)
ax.set_aspect(1)
plt.show()

运行上面的代码，会得到三根红色的水平箭头和三根绿色的垂直箭头。他们的长度分别是axes（坐标轴）的x范围和y范围的0.5倍、1倍和1.5倍。

通过下面的例子认识angles：

ax.quiver(50,50,0.5,0,scale_units='width',scale=1.0, color='red', label='Angles=uv')
ax.quiver(50,50,0.5,0,scale_units='width',scale=1.0, color='blue', angles='xy', label='Angles=xy')
ax.quiver(50,0,0,1,scale_units='height',scale=1.0, color='green')
ax.set_xlim(0,100)
ax.set_ylim(0,200)
ax.invert_xaxis()
ax.legend()
ax.set_aspect(1)
plt.show()

运行结果如图所示，其中红色箭头、绿色箭头为默认的angles参数的绘制效果；蓝色箭头为angles='xy’时的绘制效果，即箭头方向受数据坐标系影响；
在这里插入图片描述

1.1循环绘制与批量绘制

当我们有大量箭头想绘制时，一般会选择在for循环中不断调用quiver完成绘制。这种方式虽然便于理解，但是效率太低。当待绘制的箭头数量太多时（1,000,000量级以上），显示绘图结果的速度极慢。

循环绘制的代码如下：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=80
grid_rows=100
grid_u = np.random.randn(grid_rows, grid_cols)
grid_v = np.random.randn(grid_rows, grid_cols)
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']# 0 is blue and 1 is red.# call quiver in the loop
ax = plt.axes()
for i in range(grid_rows):for j in range(grid_cols):ax.quiver(i,j,grid_u[i,j],grid_v[i,j],grid_val[i,j],scale=1, scale_units='xy',cmap=jet_colormap, norm=plt.Normalize(0.0,1.0))ax.set_aspect(1)
plt.show()

所幸，quiver函数可以仅调用一次，批量绘制所有箭头数据，这样的速度会远远快于循环绘制。使用这种方式之前，需要实现把箭头数据整理到数组中。一般使用np.meshgrid来组织X,Y数据。
批量绘制的代码如下：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=80
grid_rows=100
grid_u = np.random.randn(grid_rows, grid_cols)
grid_v = np.random.randn(grid_rows, grid_cols)
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']# 0 is blue and 1 is red.grid_x, grid_y = np.meshgrid(np.arange(grid_cols),np.arange(grid_rows))
ax.quiver(grid_x,grid_y,grid_u,grid_v,grid_val,scale=1,scale_units='xy', cmap=jet_colormap, norm=plt.Normalize(0.0,1.0))
ax.set_aspect(1)
plt.show()

分别运行它们，可以感受到绘制速度快慢。

1.2用colormap和Normalize函数来调节箭头颜色

Matplotlib库内置了一系列的颜色映射，包括亮度渐变色、冷暖过渡色、循环色等、如图所示：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

如果想获得其中的'jet'颜色映射，则：

import matplotlib as mpljet_colormap = mpl.colormaps['jet']

或者直接在需要颜色映射的地方调用，例如：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=80
grid_rows=100
grid_u = np.random.randn(grid_rows, grid_cols)*2
grid_v = np.random.randn(grid_rows, grid_cols)*2
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']grid_x, grid_y = np.meshgrid(np.arange(grid_cols),np.arange(grid_rows))
ax = plt.axes()
ax.quiver(grid_x,grid_y,grid_u,grid_v,grid_val,scale=1,scale_units='xy', cmap='jet',#或cmap=jet_colormap，都对norm=plt.Normalize(0.0,1.0))# 可以试试norm=plt.Normalize(0.0,4.0)  norm=plt.Normalize(0.0,8.0)
plt.show()

上面的代码中，plt.Normalize(vmin, vmax,clip)函数将数据按照[vmin,vmax]线性地归化到[0,1]区间。对于超出[vmin,vmax]的数据，若clip值为False，则依然将这些数据按[vmin,vmax]->[0,1]的线性映射求得值；若clip值为True，则大于vmax的统一映射为1，小于vmin的值统一映射为0。
vmin, vmax缺省时，则根据给定数据计算最小值和最大值来初始化这两个值。代码如下：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=80
grid_rows=100
grid_u = np.random.randn(grid_rows, grid_cols)*2
grid_v = np.random.randn(grid_rows, grid_cols)*2
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']grid_x, grid_y = np.meshgrid(np.arange(grid_cols),np.arange(grid_rows))
ax = plt.axes()
ax.quiver(grid_x,grid_y,grid_u,grid_v,grid_val,scale=1,scale_units='xy', cmap='jet',#或cmap=jet_colormap，都对norm=plt.Normalize())#或norm=mpl.colors.LogNorm(1.0,10.0)，对数标准化
plt.show()

了解更多可参考：
选择颜色映射
创建颜色映射
Matplotlib中的各种Normalize方法

2.用numpy的ma.masked_where过滤掉不希望绘制的箭头

有时，格网数据中存在我们不想绘制的箭头，例如值大于0.5的箭头，应该怎么做呢？第一反应写下来的代码如下所示：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=40
grid_rows=60
grid_u = np.random.randn(grid_rows, grid_cols)*2
grid_v = np.random.randn(grid_rows, grid_cols)*2
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']# 0 is blue and 1 is red.# call quiver in the loop
ax = plt.axes()
for i in range(grid_rows):for j in range(grid_cols):if grid_val[i,j] < 0.5:# 仅绘制值小于0.5的箭头ax.quiver(i,j,grid_u[i,j],grid_v[i,j],scale_units='xy',cmap=jet_colormap, width=0.003, headwidth = 0.003)ax.set_aspect(1)# 设置x\y轴比例一致
plt.show()

这又回到逐个箭头调用quiver的龟速模式了！幸好，quiver函数支持输入masked_array类型的数据，masked_array中除了数据数组之外，还有一个标记是否mask的布尔类型数组，来标记某些数据元素。
如此一来，我们只需要在调用quiver之前，按照我们的标准调用np.ma.masked_where()来标记不想绘制的箭头即可。
np.ma.masked_where(condition, a)返回的是标记mask之后的数组，第一个参数condition是条件数组，大小与a一致，即满足这个条件的a的元素被mask；第二个参数a是输入的待标记数组。第三个参数copy默认为Ture，返回a的一个复制品，若为False，则返回a的一个视图(view)。
改进的代码如下：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as pltgrid_cols=40
grid_rows=60
grid_u = np.random.randn(grid_rows, grid_cols)*2
grid_v = np.random.randn(grid_rows, grid_cols)*2
grid_val = np.sqrt(grid_u**2+grid_v**2)jet_colormap = mpl.colormaps['jet']# 过滤值大于0.5的箭头
grid_val = np.ma.masked_where(grid_val>0.5, grid_val)# plus 0.5 to make the quiver start from center of a grid.
grid_x, grid_y = np.meshgrid(np.arange(grid_cols),np.arange(grid_rows))
# 一次性绘制所有箭头
ax = plt.axes()
ax.quiver(grid_x,grid_y,grid_u,grid_v,grid_val,scale=1,scale_units='xy', cmap=jet_colormap)
# 设置x\y轴比例一致
ax.set_aspect(1)
plt.show()

参考

使用quiver函数的其他高阶参数：

quiver绘制箭头进阶

matplotlib给出的箭头绘制示例代码：
quiver官方示例

关于使用numpy的masked_array来表达有标记的数组，可参考：
masked_where
Masked array operations

这篇关于使用matplotlib的quiver绘制二维箭头图的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/926901。

相关文章

Conda与Python venv虚拟环境的区别与使用方法详解

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,：本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v
阅读更多...
Spring Boot中WebSocket常用使用方法详解

Spring Boot中WebSocket常用使用方法详解

《SpringBoot中WebSocket常用使用方法详解》本文从WebSocket的基础概念出发,详细介绍了SpringBoot集成WebSocket的步骤,并重点讲解了常用的使用方法,包括简单消... 目录一、WebSocket基础概念1.1 什么是WebSocket1.2 WebSocket与HTTP
阅读更多...
C#中Guid类使用小结

C#中Guid类使用小结

《C#中Guid类使用小结》本文主要介绍了C#中Guid类用于生成和操作128位的唯一标识符,用于数据库主键及分布式系统,支持通过NewGuid、Parse等方法生成,感兴趣的可以了解一下... 目录前言一、什么是 Guid二、生成 Guid1. 使用 Guid.NewGuid() 方法2. 从字符串创建
阅读更多...
Python使用python-can实现合并BLF文件

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库：CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合
阅读更多...
Python使用OpenCV实现获取视频时长的小工具

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文
阅读更多...
Spring IoC 容器的使用详解(最新整理)

Spring IoC 容器的使用详解(最新整理)

《SpringIoC容器的使用详解(最新整理)》文章介绍了Spring框架中的应用分层思想与IoC容器原理,通过分层解耦业务逻辑、数据访问等模块,IoC容器利用@Component注解管理Bean... 目录1. 应用分层2. IoC 的介绍3. IoC 容器的使用3.1. bean 的存储3.2. 方法注
阅读更多...
Python内置函数之classmethod函数使用详解

Python内置函数之classmethod函数使用详解

《Python内置函数之classmethod函数使用详解》：本文主要介绍Python内置函数之classmethod函数使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录1. 类方法定义与基本语法2. 类方法 vs 实例方法 vs 静态方法3. 核心特性与用法(1编程客
阅读更多...
Linux中压缩、网络传输与系统监控工具的使用完整指南

Linux中压缩、网络传输与系统监控工具的使用完整指南

《Linux中压缩、网络传输与系统监控工具的使用完整指南》在Linux系统管理中,压缩与传输工具是数据备份和远程协作的桥梁,而系统监控工具则是保障服务器稳定运行的眼睛,下面小编就来和大家详细介绍一下它... 目录引言一、压缩与解压：数据存储与传输的优化核心1. zip/unzip：通用压缩格式的便捷操作2.
阅读更多...
使用Python实现可恢复式多线程下载器

使用Python实现可恢复式多线程下载器

《使用Python实现可恢复式多线程下载器》在数字时代,大文件下载已成为日常操作,本文将手把手教你用Python打造专业级下载器,实现断点续传,多线程加速,速度限制等功能,感兴趣的小伙伴可以了解下... 目录一、智能续传：从崩溃边缘抢救进度二、多线程加速：榨干网络带宽三、速度控制：做网络的好邻居四、终端交互
阅读更多...
Python中注释使用方法举例详解

Python中注释使用方法举例详解

《Python中注释使用方法举例详解》在Python编程语言中注释是必不可少的一部分,它有助于提高代码的可读性和维护性,：本文主要介绍Python中注释使用方法的相关资料,需要的朋友可以参考下... 目录一、前言二、什么是注释？示例：三、单行注释语法：以 China编程# 开头，后面的内容为注释内容示例：示例：四
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2