发表于 2020-02-13 11:02:00   |   已被 访问: 336 次   |   分类于:   Python   |   暂无评论

虽说已经写了不少代码，但作为嵌入式领域的工作者，倒是挺少编写带界面的程序，即使开发带交互功能的程序，通常也是在 Linux 命令终端进行的，这主要是因为很多嵌入式程序不是特别需要炫酷的交互界面，因此我会把主要精力放在架构设计与逻辑实现上，界面部分一般则交给同事负责。

不过，不得不承认，如果想说明某个问题，有时候枯燥的几大段文字甚至不如一张简单的图像更有说服力。因此，既然决定写文章，首要目的肯定是让读者读懂我想表达的内容，这时绘制图像就不可少了，考虑C语言和C++绘制图像的不方便，本文将尝试使用 Python，借助 matplotlib 库实现简单的图像绘制，后期如果有需要，文章中的图像都将使用该方法绘制。

安装 matplotlib

因为我常在 Ubuntu 系统中做程序开发，而且我使用的 Ubuntu 系统已经继承了 Python2 和 Python3，因此安装 matplotlib 库是非常方便的，只需要打开终端，执行下面两行命令就可以了：

$ sudo apt install python-pip
$ sudo pip install matplotlib

绘制 2D 函数图

使用 Python 的 matplotlib 库绘制 2D 函数图是非常简单的，下面将给出一段简单的代码示例。首先导入需要用到的库：

import numpy as np
import matplotlib.pyplot as plt

除了用来绘制图像的 matplotlib 库，上述代码还导入了 numpy 库生成模拟数据用于绘制模拟图像：

x = np.linspace(-2, 2, 100)
y = x**2

这段代码将生成两个向量，其中 x 中的数据范围为 -2 ~ 2，一共 100 个数据，y = x2 。现在我们将尝试把这两个数据的关系绘制成图像：

plt.plot(x, y)
plt.show()

运行这段 Python 代码，即可得到相应的函数图像，请看下图：

当然了，也可以对图像加一些说明：

plt.plot(x, y, label='y = x^2')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.grid()
plt.legend()
plt.show()

使用这段代码绘制的图像如下图：

指定 2D 图像线型

细心的读者应该会发现，我们使用 numpy 库生成的数据都是离散的点，但是上面的代码都是使用实线绘制的。当然了，如果要绘制离散的点，也是简单的，只需要在 plot() 函数里指定线型就可以了，例如可以如下添加代码：

x = np.linspace(-2, 2, 50)
...
plt.plot(x, y, label='y = x^2')
plt.plot(x, y, 'o')
y = 2**x
plt.plot(x, y, label='y = 2^x')
plt.plot(x, y, 'r^')

为了能够看到离散的点，我们还应把 x 的点数目减少，毕竟点密集就逼近直线了，现在将得到下面这样的图像：

多线型绘制图像

绘制多个 2D 图像

实际上，Python 的 matplotlib 库使用起来很像 Matlab 中的 plot 方法，如果希望在一副图像中绘制多个函数图像，也只需增加一个 plot 而已。作为示范，我们将在上面的图像中添加 y = 2x 函数的图像：

plt.plot(x, y, label='y = x^2')
y = 2**x
plt.plot(x, y, label='y = 2^x')
...
plt.show()

当然，有时候我们并不希望把两个函数的图像绘制在一个坐标系中，而是希望在一张图片中，同时，但是分开展示它们，此时的代码也是简单的，借助 subplot() 函数即可，它和 Matlab 中的 subplot 方法非常相似，下面是一段简单的示例：

plt.subplot(211)
plt.plot(x, y, label='y = x^2')
plt.plot(x, y, 'o')
plt.legend()
plt.grid()

plt.subplot(212)
y = 2**x
plt.plot(x, y, label='y = 2^x')
plt.plot(x, y, 'r^')
plt.legend()
plt.grid()

plt.subplot(*) 中的参数应该分开看，比如 211 表示将画布分为 2 行 1 列，并且当前的 plt 将在第一份中绘制。212 也是如此，只不过在将在第二份中绘制，上述代码将得到如下图像：

同时，但是分开绘制图像

绘制 3D 图像

同样的，先导入需要用到的库：

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

在绘制 3D 图像之前，首先需要生成模拟数据，这里仍然使用 numpy 库，以函数 z = sin(sqrt(x2 + y2) ) 为例：

X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

可能需要说明的是 np.meshgrid() 函数。它是用于生成平面数据的函数，所谓的“平面数据”，在本例中其实就是 3D 图像在 xy 平面的投影。在执行 np.meshgrid() 函数之前，X、Y 仅仅是 1D 的向量，不足以完成 3D 图像的绘制。执行 np.meshgrid() 函数之后，X、Y 就成为 2D 的向量了。读者可以自行做实验加深对该方法的理解，例如：

a = np.array([1,2,3])
b = np.array([7,8])
res = np.meshgrid(a,b)

#返回结果: [array([ [1,2,3] [1,2,3] ]), array([ [7,7,7] [8,8,8] ])]

得到模拟数据后，绘制 3D 图像就变得简单了，只需要执行下面的代码：

fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
plt.show()

执行这面的 Python 代码，将得到如下图像：

3D 图像的绘制

绘制 3D 散点图

上面的例子绘制了面图，当然了，我们也可以绘制 3D 的散点图，方法是简单的：

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

data = np.random.randint(0, 255, size=[40, 40, 40])
x, y, z = data[0], data[1], data[2]

我们首先生成了 3 个随机向量 x, y, z，每个向量中 40 个随机数，接着便可在 3D 坐标轴将这些随机数绘制出来：

ax = plt.subplot(111, projection='3d') 
ax.scatter(x[:10], y[:10], z[:10], c='y') 
ax.scatter(x[10:20], y[10:20], z[10:20], c='r')
ax.scatter(x[30:40], y[30:40], z[30:40], c='g')
ax.set_zlabel('Z') 
ax.set_ylabel('Y')
ax.set_xlabel('X')
plt.show()

执行这段代码，可以得到下面这样的图像：

绘制 3D 散点图

本节主要介绍了如何使用 Python 的 matplotlib 库绘制简单的 2D 和 3D 图像，当然了，matplotlib 库的功能远不止于此，绘制饼状图、柱状图等其他图表当然不在话下，只不过我对其他图表的绘制没有什么需求，所以这里并未涉及，如果读者感兴趣，当然可以自行研究。另外再说一下，如果希望得到matplotlib 库某个函数的使用说明，通常可以使用 help(function) 查看，如：help(ax.plot_surface)。