关于matplotlib:matplotlib-quiver-画风速风向

82次阅读

共计 5847 个字符，预计需要花费 15 分钟才能阅读完成。

一个箭头的组成

quiver 几个参数的了解

quiver([X, Y], U, V, [C], **kw), 其中 kw 可供选择的参数有：

units：默认值是 width, width/heigth: 箭头的宽度是 x 或者 y 轴的总长，没错，是总长; dots/inches：箭头的宽度是设置的 dpi 或者设置的英寸大小, 这个影响了 width 参数，比如说画布大小设为 plt.figure(figsize=(144, 72), dpi=10)，这个画布占 1440*720px, 如果 quiver 设置 units="dots",width=5，代表以 10 像素为根底单位，5 倍的宽度也就是画一个箭头它的宽度占 50px, 那么数据就须要抽样画了，不然会糊在一起；

x/y/xy：以 x,y, 或者 xy 的平方根为根底的宽度，如果 x 轴或者 y 轴坐标设置步长为 1，和画布像素大小统一，这样一个像素对应一个 x 的整数坐标值，那么就能够管制箭头杆的宽度了，箭头杆的根底长度就是根号 2px；

width:float 型，用来管制箭头杆的宽度，我只分明 units=dots 时宽度的了解，然而对于 units=x/y/xy 时宽度到底指的是我临时是依照下面的了解；

angle:uv/xy，uv 箭头的纵横比（axis aspect ratio）为 1，所以若 U ==V，则绘图上箭头的方向与程度轴逆时针呈 45 度（正向右）;xy 箭头从（x，y）指向（x + u，y + v）, 例如，应用它来绘制突变场 (gradient field)

headwidth：float 型，默认 3，用来管制箭头三角形底边的半宽，值指的是杆宽的倍数；

headlength：float 型，默认 5，用来管制箭头斜边的长度，值指的是杆宽的倍数，比方 4.5 指的是杆宽的 4.5 倍；

scale:float 型, 默认为 None, 用来控制杆身的长度，值越小，杆身越长, 如果为 None, 则应用 matplotlib 主动缩放算法，箭头长度单 scale_units 参数指定

scale_units：如果该值设置为 width/heigth, 则 scale 应该设为 0.000x 的范畴差不多才是想要的后果，如果设置为 inches, 则和你的 dpi 以及 scale 相干，对于 plt.figure(figsize=(144, 72)，dpi=10) scale=1,scale_units="inches" 和 scale=0.1,scale_units="x/xy/ 不写" 的画进去的后果是一样的；

pivot：tail/mid/middle/tip，默认 tail, 指的是箭头核心，其实就是从哪里画

样例图

全副代码参考 

# _*_coding:utf-8_*_
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import os
import sys
import json
import h5py
 
FILLVALUE = -32767
 
def assigncolor(tardataset, mask, colorbar):
    if tardataset[mask].size > 0:
        if len(colorbar) >= 4:
            tardataset[mask] = colorbar
        else:
            tardataset[mask] = [colorbar[0], colorbar[1], colorbar[2], 255]
    return tardataset[mask]
    
    
def single_drawer(dataset, colorbar, tardataset):
    #非凡值的解决
    nullmask = np.isnan(dataset[:]) | np.isinf(dataset)
    tardataset[nullmask] = [255, 255, 255, 0]
    for index in range(0, len(colorbar)):
        # 获取须要进行判断的值
        valuemask = tardataset[:, :] == [-1, -1, -1, -1]
        # 三维转二维，不便与 dataset 的 mask 合并
        valuemask = valuemask[:, :, 0]
        mask = dataset == colorbar[index][0]
        tardataset[valuemask & mask] = assigncolor(tardataset, valuemask & mask, colorbar[index][1])
    return tardataset
 
 
def gradient_drawer(dataset, colorbar, tardataset):
    # 非凡值的解决
    nullmask = np.isnan(dataset[:]) | np.isinf(dataset)
    tardataset[nullmask] = [255, 255, 255, 0]
    # 小于最小值
    valuemask = tardataset[:, :] == [-1, -1, -1, -1]
    valuemask = valuemask[:, :, 0]
    mask = dataset <= colorbar[0][0]
    tardataset[valuemask & mask] = assigncolor(tardataset, valuemask & mask, colorbar[0][1])
    for index in range(0, len(colorbar) - 1):
        # 获取须要进行判断的值
        valuemask = tardataset[:, :] == [-1, -1, -1, -1]
        if index == 18:
            print(valuemask.shape)
        valuemask = valuemask[:, :, 0]
        mask = (dataset > colorbar[index][0]) & (dataset <= colorbar[index + 1][0])
        tempmask = valuemask & mask
        if tempmask[tempmask == True].size > 0:
            ratio = (1.0 * (dataset[valuemask & mask] - colorbar[index][0]) / (colorbar[index + 1][0] - colorbar[index][0])).reshape(-1, 1)
            colorrange = (np.array(colorbar[index + 1][1] - np.array(colorbar[index][1]))).reshape(1, -1)
            temp = np.dot(ratio, colorrange) + np.array(colorbar[index][1])
            if len(colorbar[index][1]) < 4:
                alphaband = np.ones((temp.shape[0], 1))
                alphaband[::] = 255
                temp = np.column_stack((temp, alphaband))
            tardataset[valuemask & mask] = temp
    # 大于最大值
    valuemask = tardataset[:, :] == [-1, -1, -1, -1]
    valuemask = valuemask[:, :, 0]
    mask = dataset > colorbar[-1][0]
    tardataset[valuemask & mask] = assigncolor(tardataset, valuemask & mask, colorbar[-1][1])
    return tardataset
 
 
def drawWindDir(in_file, u_ds, v_ds, dir_file, cb_file):
    # 读取调色板
    gradient_cb = []
    single_cb = []
    with open(cb_file, "r") as cb_json:
        cb_data = json.load(cb_json)
        gradient_cb = cb_data["gradient"]
        single_cb = cb_data["single"]
 
    # 读取风速
    h5py_obj = h5py.File(in_file, 'r')
    u_data = np.array(h5py_obj[u_ds])
    v_data = np.array(h5py_obj[v_ds])
    sws_data = np.array(h5py_obj["SWS"])
 
    # 获取宽高
    uh, uw = np.shape(u_data)
    vh, vw = np.shape(v_data)
 
    # 高低翻转数据
    u = np.flip(u_data, 0)
    v = np.flip(v_data, 0)
 
    # 读取风速有效值范畴
    sws_valid = h5py_obj["SWS"].attrs['valid range']
 
    # 用风速有效值管制有效值区域提取
    valid_mask = (sws_data >= sws_valid[0]) & (sws_data <= sws_valid[1])
 
    # 用 u,v 向量计算风速
    wp = np.empty((uh, uw), dtype=np.float)
    wp[:, :] = FILLVALUE
    wp[valid_mask] = np.sqrt(np.power(u[valid_mask] / 100.0, 2) + np.power(v[valid_mask] / 100.0, 2))
 
    # 初始化输入数据集
    tardataset = np.ones((uh, uw, 4), dtype=np.int)
    tardataset[::] = -1
 
    # 去掉 single 调色板的值
    tardataset = single_drawer(sws_data, single_cb, tardataset)
 
    # 依据 gradient 调色板从新赋值
    result_data = gradient_drawer(sws_data, gradient_cb, tardataset)
 
    # 输入风速的底图
    new_image = Image.fromarray(result_data.astype(np.uint8)).convert('RGBA')
    new_image.save(in_file.replace(".HDF", ".png"), 'png')
 
    # 风向的 xy 坐标,uv 向量,1440,720，去除有效值
    u_valid = valid_mask
    X, Y = np.meshgrid(np.arange(0, uw, 1), np.flipud(np.arange(0, uh, 1)))
 
    U = u.astype(np.int64)
    V = v.astype(np.int64)
    newU = np.zeros((uh, uw))
    newV = np.zeros((uh, uw))
    newU[u_valid] = U[u_valid] / np.sqrt(np.power(U[u_valid], 2) + np.power(V[u_valid], 2))
    newV[u_valid] = V[u_valid] / np.sqrt(np.power(U[u_valid], 2) + np.power(V[u_valid], 2))
 
    # 有效值为 nan
    newU[newU == 0] = np.nan
    newV[newV == 0] = np.nan
 
    # 创立画布
    fig1 = plt.figure(figsize=(uw, uh), dpi=1)
    ax1 = fig1.add_subplot(111)
 
    # 去掉坐标轴，去掉两边空白, 管制输入的 xy 轴范畴
    plt.axis('off')
    plt.subplots_adjust(top=1, bottom=0, left=0, right=1, hspace=0, wspace=0)
    plt.ylim(0, uh)
    plt.xlim(0, uw)
 
    # 栅格抽样
    i = 10
    Q = ax1.quiver(X[::i, ::i], Y[::i, ::i], newU[::i, ::i], newV[::i, ::i], scale=0.1, width=1, units="xy", angles='uv', headwidth=3.5, headlength=4, pivot="mid")
    ax1.scatter(X[::i, ::i], Y[::i, ::i], color='r', s=30)
    plt.show()
 
    fig1.savefig(dir_file, transparent=True)
    plt.close()
 
def mergeDirSpd(spd_img, dir_img, out_img):
    backimage = Image.open(spd_img)
    frontimage = Image.open(dir_img)
    # 临时没有思考分辨率不统一状况
    outimage = Image.alpha_composite(backimage, frontimage)
    outimage.save(out_img)
 
 
if __name__ == "__main__":
    in_path = sys.argv[1]
    ds = sys.argv[2]
    cb_file = sys.argv[3]
 
    if os.path.isdir(in_path):
        for w_root, w_dirs, dir_files in os.walk(in_path):
            for one_file in dir_files:
                if '.HDF' in one_file and "SWS" in one_file:
                    in_file = os.path.join(w_root, one_file)
                    spd_img = in_file.replace(".HDF", ".png")
                    dir_img = in_file.replace(".HDF", "_dir.png")
                    out_img = in_file.replace(".HDF", "_dp.png")
                    u_ds = "wind_vel_u"
                    v_ds = "wind_vel_v"
                    drawWindDir(in_file, u_ds, v_ds, dir_img, cb_file)
                    mergeDirSpd(spd_img, dir_img, out_img)
    elif os.path.isfile(in_path):
        in_file = in_path
        spd_img = in_file.replace(".HDF", ".png")
        dir_img = in_file.replace(".HDF", "_dir.png")
        out_img = in_file.replace(".HDF", "_dp.png")
        u_ds = "dwind_vel_u"
        v_ds = "wind_vel_v"
        drawWindDir(in_file, u_ds, v_ds, dir_img, cb_file)
        mergeDirSpd(spd_img, dir_img, out_img)

正文完
matplotlib
发表至： matplotlib
2020-08-14
 0
关于matplotlib:学习神经网络-绘图matplotlib
关于matplotlib:Matplotlib-绘图秘籍翻译完成
关于matplotlib:Matplotlib设置颜色形状
关于matplotlib:matplotlibcpp的安装使用