如何使用matplotlib(Axes3D)高效地绘制大量的3D椭球?
如何使用matplotlib(Axes3D)高效地绘制大量的3D椭球?
我目前正在使用Python处理应变数据,并使用matplotlib(版本1.5.1)为有限应变椭球创建各种图形输出。\n处理数千个椭球参数非常快速(我正在重用这里提供的一些优秀的Python代码:https://github.com/minillinim/ellipsoid/blob/master/ellipsoid.py),但是我的工作流程中的瓶颈与在3D图中绘制大量3D对象所需的时间有关。\n下面我附上了一小段Python代码片段,用于计算和绘制一堆随机椭球。当\'ellipNumber\'较小时,它的表现非常出色。但是,当达到100时,它需要更长时间... 我敢打赌,当达到数千个时,你可能没有耐心等待。\n在2D中,我了解到使用集合是提高性能的方法:如何快速绘制成千上万个圆?\n假设集合确实是正确的方法,我寻找了一个示例,并尝试像这里为3D多边形设置顶点那样,使用椭球坐标填充Poly3DCollection:在python-matplotlib中绘制3D多边形,但我没有成功设置基于2D x、y和z数组的顶点。\n对于如何改进椭球绘制性能的任何建议/评论,将不胜感激!\n祝好!\n
import numpy as np from numpy import linalg from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt from matplotlib import cm import matplotlib.colors as colors fig = plt.figure(figsize=(8,8)) ax = fig.add_subplot(111, projection='3d') # 椭球数量 ellipNumber = 10 # 设置颜色映射以使每个椭球具有唯一的颜色 norm = colors.Normalize(vmin=0, vmax=ellipNumber) cmap = cm.jet m = cm.ScalarMappable(norm=norm, cmap=cmap) # 迭代计算和绘制每个椭球 for indx in xrange(ellipNumber): # 椭球和中心点的矩阵形式 A = np.array([[np.random.random_sample(),0,0], [0,np.random.random_sample(),0], [0,0,np.random.random_sample()]]) center = [indx*np.random.random_sample(),indx*np.random.random_sample(),indx*np.random.random_sample()] # 计算旋转矩阵和轴的半径 U, s, rotation = linalg.svd(A) radii = 1.0/np.sqrt(s) * 0.3 #将半径缩小0.3倍 # 计算椭球表面的笛卡尔坐标 u = np.linspace(0.0, 2.0 * np.pi, 60) v = np.linspace(0.0, np.pi, 60) x = radii[0] * np.outer(np.cos(u), np.sin(v)) y = radii[1] * np.outer(np.sin(u), np.sin(v)) z = radii[2] * np.outer(np.ones_like(u), np.cos(v)) for i in range(len(x)): for j in range(len(x)): [x[i,j],y[i,j],z[i,j]] = np.dot([x[i,j],y[i,j],z[i,j]], rotation) + center ax.plot_surface(x, y, z, rstride=3, cstride=3, color=m.to_rgba(indx), linewidth=0.1, alpha=1, shade=True) plt.show()
\n带有10个随机椭球的3D图:\n