Bir kenar yüzeyine bindirilmiş kontur çizimimi nasıl alabilirim

Question

Bu, birkaç ay önce sorduğum bir sorudur ve hala bir çözüm bulmaya çalışıyorum. Kodum bana bir kenar haritası ve kontur çizimini yan yana veriyor (ancak dosyaya yazdırmak sadece kontur çizimini veriyor), ancak bunların üst üste bindirilmesini istiyorum. En iyi çözüm, https://gist.github.com/oblakeobjet/7546272 burada olurdu, ancak bu verilerin nasıl tanıtılacağını göstermiyor ve çevrimiçi sıfırdan öğrendiğinizde zor oluyor. Çok nazik insanları yormadan, çözümün bir kod satırı değiştirmek kadar kolay olduğunu ve birinin yardımcı olabileceğini umuyorum. Kodum

#!/usr/bin/python 
# vim: set fileencoding=UTF8 

import numpy as np 
import pandas as pd 
from matplotlib.mlab import griddata 
from mpl_toolkits.basemap import Basemap 
import matplotlib.pyplot as plt 

#fig = plt.figure(figsize=(10,8)) #when uncommented draws map with colorbar but no contours 

#prepare a basemap 

m = Basemap(projection = 'merc',llcrnrlon = 21, llcrnrlat = -18, urcrnrlon = 34, urcrnrlat = -8, resolution='h') 

# draw country outlines. 

m.drawcountries(linewidth=0.5, linestyle='solid', color='k', antialiased=1, ax=None, zorder=None) 
m.drawmapboundary(fill_color = 'white') 
m.fillcontinents(color='coral',lake_color='blue') 
parallels = np.arange(-18, -8, 2.) 
m.drawparallels(np.arange(-18, -8, 2.), color = 'black', linewidth = 0.5) 
m.drawparallels(parallels,labels=[True,False,False,False]) 
meridians = np.arange(22,34, 2.) 
m.drawmeridians(np.arange(21,36, 2.), color = '0.25', linewidth = 0.5) 
m.drawmeridians(meridians,labels=[False,False,False,True]) 

fig = plt.figure(figsize=(10,8))  # At this position or commented draws teo figures side by side 

#-- Read the data. 

data = pd.read_csv('../../data/meansr.txt', delim_whitespace=True) 

#-- Now gridding data. First making a regular grid to interpolate onto 

numcols, numrows = 300, 300 
xi = np.linspace(data.Lon.min(), data.Lon.max(), numcols) 
yi = np.linspace(data.Lat.min(), data.Lat.max(), numrows) 
xi, yi = np.meshgrid(xi, yi) 

#-- Interpolating at the points in xi, yi 

x, y, z = data.Lon.values, data.Lat.values, data.Z.values 
zi = griddata(x, y, z, xi, yi) 

#-- Display and write the results 

m = plt.contourf(xi, yi, zi) 
plt.scatter(data.Lon, data.Lat, c=data.Z, s=100, 
     vmin=zi.min(), vmax=zi.max()) 
fig.colorbar(m) 
plt.savefig("rainfall.jpg", format="jpg") 

ben her şeyi kod çalıştırmasına burada yüklemediyseniz

32.6 -13.6 41 
27.1 -16.9 43 
32.7 -10.2 46 
24.2 -13.6 33 
28.5 -14.4 43 
28.1 -12.6 33 
27.9 -15.8 46 
24.8 -14.8 44 
31.1 -10.2 35 
25.9 -13.5 24 
29.1 -9.8 10 
25.8 -17.8 39 
33.2 -12.3 44 
28.3 -15.4 46 
27.6 -16.1 47 
28.9 -11.1 31 
31.3 -8.9 39 
31.9 -13.3 45 
23.1 -15.3 31 
31.4 -11.9 39 
27.1 -15.0 42 
24.4 -11.8 15 
28.6 -13.0 39 
31.3 -14.3 44 
23.3 -16.1 39 
30.2 -13.2 38 
24.3 -17.5 32 
26.4 -12.2 23 
23.1 -13.5 27 

Answer 1

(bu işe yaramazsa lütfen söyle), ancak basemap mizaç olabilir ve araziler/harita detaylar z sırasını yönetmek zorunda. Ayrıca, lem/lat koordinatlarınızı, basemap kullanarak çizim yapmadan önce harita projeksiyon koordinatlarına dönüştürmeniz gerekir.

İşte aşağıdaki çıktıyı veren tam bir çözüm. Her şeyi daha okunaklı hale getirmek için bazı renkleri ve çizgileri değiştirdim YMMV. Ayrıca, dağılım puanlarının boyutunu normalleştirilmiş 'ortalama' değeriyle (data['Z']) ölçeklendirdim - basitçe onu kaldırabilir ve örn. 50 sabit bir boyut tercih ederseniz (en büyük işaretleyiciye benzeyecektir).

da yağış birimleri ve araçları oluşturulan ölçüm süresi, mümkünse belirtiniz: Matplotlib en griddata yöntem uygun kullanma

import numpy as np 
import pandas as pd 
from matplotlib.mlab import griddata 
from mpl_toolkits.basemap import Basemap 
import matplotlib.pyplot as plt 
from matplotlib.colors import Normalize 
%matplotlib inline 

# set up plot 
plt.clf() 
fig = plt.figure(figsize=(10, 8)) 
ax = fig.add_subplot(111, axisbg='w', frame_on=False) 

# grab data 
data = pd.read_csv('../../data/meansr.txt', delim_whitespace=True) 
norm = Normalize() 

# define map extent 
lllon = 21 
lllat = -18 
urlon = 34 
urlat = -8 

# Set up Basemap instance 
m = Basemap(
    projection = 'merc', 
    llcrnrlon = lllon, llcrnrlat = lllat, urcrnrlon = urlon, urcrnrlat = urlat, 
    resolution='h') 

# transform lon/lat coordinates to map projection 
data['projected_lon'], data['projected_lat'] = m(*(data.Lon.values, data.Lat.values)) 

# grid data 
numcols, numrows = 1000, 1000 
xi = np.linspace(data['projected_lon'].min(), data['projected_lon'].max(), numcols) 
yi = np.linspace(data['projected_lat'].min(), data['projected_lat'].max(), numrows) 
xi, yi = np.meshgrid(xi, yi) 

# interpolate 
x, y, z = data['projected_lon'].values, data['projected_lat'].values, data.Z.values 
zi = griddata(x, y, z, xi, yi) 

# draw map details 
m.drawmapboundary(fill_color = 'white') 
m.fillcontinents(color='#C0C0C0', lake_color='#7093DB') 
m.drawcountries(
    linewidth=.75, linestyle='solid', color='#000073', 
    antialiased=True, 
    ax=ax, zorder=3) 

m.drawparallels(
    np.arange(lllat, urlat, 2.), 
    color = 'black', linewidth = 0.5, 
    labels=[True, False, False, False]) 
m.drawmeridians(
    np.arange(lllon, urlon, 2.), 
    color = '0.25', linewidth = 0.5, 
    labels=[False, False, False, True]) 

# contour plot 
con = m.contourf(xi, yi, zi, zorder=4, alpha=0.6, cmap='RdPu') 
# scatter plot 
m.scatter(
    data['projected_lon'], 
    data['projected_lat'], 
    color='#545454', 
    edgecolor='#ffffff', 
    alpha=.75, 
    s=50 * norm(data['Z']), 
    cmap='RdPu', 
    ax=ax, 
    vmin=zi.min(), vmax=zi.max(), zorder=4) 

# add colour bar and title 
# add colour bar, title, and scale 
cbar = plt.colorbar(conf, orientation='horizontal', fraction=.057, pad=0.05) 
cbar.set_label("Mean Rainfall - mm") 

m.drawmapscale(
    24., -9., 28., -13, 
    100, 
    units='km', fontsize=10, 
    yoffset=None, 
    barstyle='fancy', labelstyle='simple', 
    fillcolor1='w', fillcolor2='#000000', 
    fontcolor='#000000', 
    zorder=5) 

plt.title("Mean Rainfall") 
plt.savefig("rainfall.png", format="png", dpi=300, transparent=True) 
plt.show() 

, ama aynı zamanda olabilir yavaş. Alternatif olarak, ve daha esnek hem daha hızlıdır scipy en griddata yöntemlerini kullanabilirsiniz: Eğer scipy en griddata yöntemi kullanırsanız

from scipy.interpolate import griddata as gd 

zi = gd(
    (data[['projected_lon', 'projected_lat']]), 
    data.Z.values, 
    (xi, yi), 
    method='linear') 

, ayrıca belirlemeniz gerekir yöntemlerle (nearest, linear hangisinin, cubic) en iyi sonuç elde etmeyi sağlar. Yukarıda gösterilen ve tartışılan enterpolasyon yöntemlerinin mümkün olan en basit değer olduğunu ve mutlaka yağış verilerinin enterpolasyonu için geçerli olmadığını eklemeliyim. This article, hidroloji ve hidrolojik modellemede kullanılacak geçerli yaklaşımlar ve düşünceler hakkında iyi bir genel bakış sunar. Bunların uygulanması (muhtemelen Scipy'yi kullanarak) & c egzersiz olarak bırakılır.

Answer 2

benim veri bu ve

ve benziyorsun olsun araziler, ancak komplo denemelisiniz Oluşturduğunuz m taban haritasına şu şekilde:

# fig = plt.figure(figsize=(10,8)) # omit this at line 28 

(...) 

m.contourf(xi, yi, zi) 
m.scatter(data.Lon, data.Lat, c=data.Z, s=100, 
    vmin=zi.min(), vmax=zi.max()) 

Sen Neredeyse