import numpy as np # 定义字典 usefuldata = {0: [], 1: [np.array([15., 15., 75.]), np.array([15., 15., 45.])], 2: [np.array([15., 75., 15.]), np.array([15., 45., 15.])], 3: [np.array([15., 75., 75.]), np.array([15., 45., 75.]), np.array([15., 75., 45.])], 4: [np.array([75., 15., 15.]), np.array([45., 15., 15.])], 5: [np.array([75., 15., 75.]), np.array([75., 15., 45.]), np.array([45., 15., 75.]), np.array([45., 15., 45.])], 6: [np.array([75., 75., 15.]), np.array([75., 45., 15.]), np.array([45., 75., 15.]), np.array([45., 45., 15.])], 7: [np.array([75., 75., 75.]), np.array([75., 45., 75.]), np.array([75., 75., 45.]), np.array([75., 45., 45.]), np.array([45., 75., 75.]), np.array([45., 45., 75.]), np.array([45., 75., 45.]), np.array([45., 45., 45.])]} # 遍历字典 for k, v in usefuldata.items(): if len(v) > 0: # 如果该键对应的值非空 # 将数组转化为numpy数组 v = np.array(v) if len(v) == 1: # 数据点仅有一个的情况 slope = np.array([0, 0, 0]) # 斜率设为0 intercept = v[0] # 截距为数据点本身 else: # 进行一次线性拟合,拟合结果为斜率和截距 slope, intercept = np.polyfit(np.arange(len(v)), v, 1) # 输出拟合结果 print("键{}对应的值{}拟合得到的斜率为{},截距为{}".format(k, v, slope, intercept)) # 计算直线方程 eq = "z = {}x + {}y + ({})".format(slope[0], slope[1], intercept[2]) print("直线方程为:", eq) else: print("键{}对应的值为空".format(k))。使用这个代码获得了方程后,如何将所有的这些方程一次性显示在三维图像中?采用matplotlib.pyplot来实现
时间: 2024-02-16 16:59:35 浏览: 72
python-np.set-printoptions()用法总结.pdf
要将所有的方程一次性显示在三维图像中,可以按照以下步骤进行操作:
1. 导入需要的库和模块:
```python
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
```
2. 定义字典和线性拟合函数:
```python
usefuldata = {0: [], 1: [np.array([15., 15., 75.]), np.array([15., 15., 45.])], 2: [np.array([15., 75., 15.]), np.array([15., 45., 15.])], 3: [np.array([15., 75., 75.]), np.array([15., 45., 75.]), np.array([15., 75., 45.])], 4: [np.array([75., 15., 15.]), np.array([45., 15., 15.])], 5: [np.array([75., 15., 75.]), np.array([75., 15., 45.]), np.array([45., 15., 75.]), np.array([45., 15., 45.])], 6: [np.array([75., 75., 15.]), np.array([75., 45., 15.]), np.array([45., 75., 15.]), np.array([45., 45., 15.])], 7: [np.array([75., 75., 75.]), np.array([75., 45., 75.]), np.array([75., 75., 45.]), np.array([75., 45., 45.]), np.array([45., 75., 75.]), np.array([45., 45., 75.]), np.array([45., 75., 45.]), np.array([45., 45., 45.])]}
def linear_fit(x, y):
if len(y) == 1:
slope = np.array([0, 0, 0])
intercept = y[0]
else:
slope, intercept = np.polyfit(x, y, 1)
eq = "z = {}x + {}y + ({})".format(slope[0], slope[1], intercept[2])
return slope, intercept, eq
```
3. 遍历字典,进行线性拟合和绘制图像:
```python
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
for k, v in usefuldata.items():
if len(v) > 0:
v = np.array(v)
if len(v) == 1:
slope, intercept, eq = linear_fit([], v)
else:
x = np.arange(len(v))
slope, intercept, eq = linear_fit(x, v)
print("键{}对应的值{}拟合得到的斜率为{},截距为{}".format(k, v, slope, intercept))
print("直线方程为:", eq)
# 绘制直线
X, Y = np.meshgrid(np.arange(0, 2, 1), np.arange(0, 2, 1))
Z = slope[0] * X + slope[1] * Y + intercept[2]
ax.plot_surface(X, Y, Z, alpha=0.2)
else:
print("键{}对应的值为空".format(k))
# 设置坐标轴标签和图像标题
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')
plt.title("Linear Fitting")
# 显示图像
plt.show()
```
在上面的代码中,我们首先创建一个3D图像对象`ax`。然后遍历字典,对于每个非空键值对,进行线性拟合并计算直线方程。接着,我们使用`plot_surface`函数绘制直线,并将其透明度设置为0.2。最后,我们设置坐标轴标签和图像标题,并使用`show`函数显示图像。
运行上述代码,即可在一个三维坐标系中显示所有的直线方程。
阅读全文