如何使用Matplotlib绘制极坐标中轮廓密度线的散点图？

Question

我正在尝试在极坐标中制作散点图，并将轮廓线叠加到点云上。我知道如何使用numpy.histogram2d在笛卡尔坐标中执行此操作：

# Simple case: scatter plot with density contours in cartesian coordinates

import matplotlib.pyplot as pl
import numpy as np

np.random.seed(2015)
N = 1000
shift_value = -6.

x1 = np.random.randn(N) + shift_value
y1 = np.random.randn(N) + shift_value

fig, ax = pl.subplots(nrows=1,ncols=1)

ax.scatter(x1,y1,color='hotpink')

H, xedges, yedges = np.histogram2d(x1,y1)
extent = [xedges[0],xedges[-1],yedges[0],yedges[-1]]
cset1 = ax.contour(H,extent=extent)

# Modify xlim and ylim to be a bit more consistent with what's next
ax.set_xlim(xmin=-10.,xmax=+10.)
ax.set_ylim(ymin=-10.,ymax=+10.)

输出在这里：

但是，当我尝试将代码转换为极坐标时，我会得到扭曲的轮廓线。这是我的代码和生成的（错误的）输出：

# Case with polar coordinates; the contour lines are distorted

np.random.seed(2015)
N = 1000
shift_value = -6.

def CartesianToPolar(x,y):
    r = np.sqrt(x**2 + y**2)
    theta = np.arctan2(y,x)

    return theta, r

x2 = np.random.randn(N) + shift_value
y2 = np.random.randn(N) + shift_value

theta2, r2 = CartesianToPolar(x2,y2)

fig2 = pl.figure()
ax2 = pl.subplot(projection="polar")
ax2.scatter(theta2, r2, color='hotpink')

H, xedges, yedges = np.histogram2d(x2,y2)


theta_edges, r_edges = CartesianToPolar(xedges[:-1],yedges[:-1])
ax2.contour(theta_edges, r_edges,H)

错误的输出在这里：

有没有办法让轮廓线处于适当的比例？

编辑以解决评论中提出的建议。

EDIT2：有人建议该问题可能与this question重复。虽然我认识到这些问题是相似的，但我特别指出在散点图上绘制点的密度轮廓。另一个问题是如何绘制指定的任何数量的轮廓水平以及点的坐标。

Answer 1

问题是你只是转换数组的边缘。通过仅转换边缘的x和y坐标，您可以有效地转换2D数组上对角线的坐标。此行的theta值范围非常小，您可以将该范围应用于整个网格。

快速（但不正确）修复

在大多数情况下，您可以将整个网格（即x和y的2D数组转换为极坐标，生成theta和r的2D数组）。

而不是：

H, xedges, yedges = np.histogram2d(x2,y2)
theta_edges, r_edges = CartesianToPolar(xedges[:-1],yedges[:-1])

做类似的事情：

H, xedges, yedges = np.histogram2d(x2,y2)
xedges, yedges = np.meshgrid(xedges[:-1],yedges[:-1]
theta_edges, r_edges = CartesianToPolar(xedges, yedges)

作为一个完整的例子：

import numpy as np
import matplotlib.pyplot as plt

def main():
    x2, y2 = generate_data()
    theta2, r2 = cart2polar(x2,y2)

    fig2 = plt.figure()
    ax2 = fig2.add_subplot(111, projection="polar")
    ax2.scatter(theta2, r2, color='hotpink')

    H, xedges, yedges = np.histogram2d(x2,y2)

    xedges, yedges = np.meshgrid(xedges[:-1], yedges[:-1])
    theta_edges, r_edges = cart2polar(xedges, yedges)
    ax2.contour(theta_edges, r_edges, H)

    plt.show()

def generate_data():
    np.random.seed(2015)
    N = 1000
    shift_value = -6.

    x2 = np.random.randn(N) + shift_value
    y2 = np.random.randn(N) + shift_value
    return x2, y2

def cart2polar(x,y):
    r = np.sqrt(x**2 + y**2)
    theta = np.arctan2(y,x)

    return theta, r

main()

但是，您可能会注意到这看起来有些不正确。那是因为ax.contour隐含地假设输入数据在常规网格上。我们给它一个笛卡尔坐标的规则网格，但不是极坐标中的规则网格。假设我们在极坐标中传递了一个规则网格。我们可以对网格进行重新采样，但是有一种更简单的方法。

正确的解决方案

要正确绘制2D直方图，请计算极坐标空间中的直方图。

例如，执行类似的操作：

theta2, r2 = cart2polar(x2,y2)
H, theta_edges, r_edges = np.histogram2d(theta2, r2)
ax2.contour(theta_edges[:-1], r_edges[:-1], H)

作为一个完整的例子：

import numpy as np
import matplotlib.pyplot as plt

def main():
    x2, y2 = generate_data()
    theta2, r2 = cart2polar(x2,y2)

    fig2 = plt.figure()
    ax2 = fig2.add_subplot(111, projection="polar")
    ax2.scatter(theta2, r2, color='hotpink')

    H, theta_edges, r_edges = np.histogram2d(theta2, r2)
    ax2.contour(theta_edges[:-1], r_edges[:-1], H)

    plt.show()

def generate_data():
    np.random.seed(2015)
    N = 1000
    shift_value = -6.

    x2 = np.random.randn(N) + shift_value
    y2 = np.random.randn(N) + shift_value
    return x2, y2

def cart2polar(x,y):
    r = np.sqrt(x**2 + y**2)
    theta = np.arctan2(y,x)

    return theta, r

main()

最后，您可能会注意到上述结果略有改变。这与面向单元格的网格约定（x[0,0], y[0,0]给出单元格的中心）与面向边缘的网格约定（x[0,0], y[0,0]给出单元格的左下角。ax.contour有关。期待事物以细胞为中心，但你给它边缘对齐的x和y值。

这只是半个细胞的转变，但是如果你想修复它，可以这样做：

def centers(bins):
    return np.vstack([bins[:-1], bins[1:]]).mean(axis=0)

H, theta_edges, r_edges = np.histogram2d(theta2, r2)
theta_centers, r_centers = centers(theta_edges), centers(r_edges)

ax2.contour(theta_centers, r_centers, H)