Python / Matplotlib：在3d图中使用kde联合密度轮廓进行2d随机游走

Question

我正在努力在python中创建一个非常复杂的3D图形，特别是使用iPython笔记本。我可以将图表的内容分为两部分：

（x，y）平面：这里有一个二维随机游走，我们称之为G（）。我想在（x，y）平面上绘制这个轨迹的一部分。比方说，G（）的所有数据点的10％。随着G（）跳跃，它比其他人更频繁地访问一些（x，y）对。我想使用核估计方法估计G（）的密度，并将其绘制为（x，y）平面上的轮廓线。

（z）平面：在这里，我想绘制一个双变量法则信息理论意外的网格或（透明）表面图。惊喜只是-log（p（i））或结果i的负（基数2）对数。给定双变量法线，每个（x，y）对具有一些概率p（x，y），并且其惊人的是-log（p（x，y））。

基本上这两个图是独立的。假设随机游走G（）的间隔是[xmin，xmax]，[ymin，ymax]和大小为N.应该从相同的区间绘制z平面中的双变量法线，这样每个（x， y）在随机游走中配对，我可以从随机游走的某个子集中绘制一条（虚线）n＆lt; N到二元正常。假设G（10）=（5,5）然后我想从（5,5）沿Z轴画一条虚线，直到它达到双变量法线。

到目前为止，我已设法在3维空间中绘制G（），并使用scipy.stats.gaussian_kde估算密度f（X，Y）。在另一个（2d）图中，我有我想要的那种轮廓线。我没有的是使用估计的KDE密度的3d图中的等高线。我也没有二元正态图，或从随机游走的几个随机点的投影到二元法线的表面。我添加了一个手绘的图形，这可能会减轻直觉（忽略z轴上的标签以及没有网格的事实......难以画出来！）

任何输入，甚至只是部分输入，例如如何在3d图的（x，y）平面中绘制轮廓线，或者是双变量法线的网格都将非常受欢迎。

谢谢！

import matplotlib as mpl
import matplotlib.pyplot as plt
import random
import numpy as np
import seaborn as sns
import scipy
from mpl_toolkits.mplot3d import Axes3D
%matplotlib inline

def randomwalk():

mpl.rcParams['legend.fontsize'] = 10

xyz = []
cur = [0, 0]

for _ in range(400):
    axis = random.randrange(0, 2)
    cur[axis] += random.choice([-1, 1])
    xyz.append(cur[:])


x, y = zip(*xyz)
data = np.vstack([x,y])
kde = scipy.stats.gaussian_kde(data)
density = kde(data)

fig1 = plt.figure()

ax = fig1.gca(projection='3d')
ax.plot(x, y, label='Random walk')
sns.kdeplot(data[0,:], data[1,:], 0)
ax.scatter(x[-1], y[-1], c='b', marker='o') # End point
ax.legend()

fig2 = plt.figure()
sns.kdeplot(data[0,:], data[1,:])

调用randomwalk（）初始化并绘制：

编辑＃1：

取得了一些进展，实际上我唯一需要的是将虚线垂直线的高度限制为双变量。有什么想法吗？

import matplotlib as mpl
import matplotlib.pyplot as plt
import random
import numpy as np
import seaborn as sns
import scipy
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.mlab import bivariate_normal

%matplotlib inline

    # Data for random walk

def randomwalk():

mpl.rcParams['legend.fontsize'] = 10

xyz = []
cur = [0, 0]

for _ in range(40):
    axis = random.randrange(0, 2)
    cur[axis] += random.choice([-1, 1])
    xyz.append(cur[:])

# Get density

x, y = zip(*xyz)
data = np.vstack([x,y])
kde = scipy.stats.gaussian_kde(data)
density = kde(data)


# Data for bivariate gaussian 

a = np.linspace(-7.5, 7.5, 20)
b = a
X,Y = np.meshgrid(a, b)
Z = bivariate_normal(X, Y)
surprise_Z = -np.log(Z)

# Get random points from walker and plot up z-axis to the gaussian

M = data[:,np.random.choice(20,5)].T

# Plot figure

fig = plt.figure(figsize=(10, 7))

ax = fig.gca(projection='3d')
ax.plot(x, y, 'grey', label='Random walk') # Walker
ax.scatter(x[-1], y[-1], c='k', marker='o') # End point

ax.legend()

surf = ax.plot_surface(X, Y, surprise_Z, rstride=1, cstride=1, 
    cmap = plt.cm.gist_heat_r, alpha=0.1, linewidth=0.1)

#fig.colorbar(surf, shrink=0.5, aspect=7, cmap=plt.cm.gray_r)

for i in range(5):
    ax.plot([M[i,0], M[i,0]],[M[i,1], M[i,1]], [0,10],'k--',alpha=0.8, linewidth=0.5)

ax.set_zlim(0, 50)
ax.set_xlim(-10, 10)
ax.set_ylim(-10, 10)

Answer 1

最终代码，

import matplotlib as mpl
import matplotlib.pyplot as plt
import random
import numpy as np
import seaborn as sns
import scipy
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.mlab import bivariate_normal

%matplotlib inline

    # Data for random walk

def randomwalk():

    mpl.rcParams['legend.fontsize'] = 10

    xyz = []
    cur = [0, 0]

    for _ in range(50):
        axis = random.randrange(0, 2)
        cur[axis] += random.choice([-1, 1])
        xyz.append(cur[:])

    # Get density

    x, y = zip(*xyz)
    data = np.vstack([x,y])
    kde = scipy.stats.gaussian_kde(data)
    density = kde(data)


    # Data for bivariate gaussian 

    a = np.linspace(-7.5, 7.5, 100)
    b = a
    X,Y = np.meshgrid(a, b)
    Z = bivariate_normal(X, Y)
    surprise_Z = -np.log(Z)

    # Get random points from walker and plot up z-axis to the gaussian

    M = data[:,np.random.choice(50,10)].T

    # Plot figure

    fig = plt.figure(figsize=(10, 7))

    ax = fig.gca(projection='3d')
    ax.plot(x, y, 'grey', label='Random walk') # Walker

    ax.legend()

    surf = ax.plot_surface(X, Y, surprise_Z, rstride=1, cstride=1, 
        cmap = plt.cm.gist_heat_r, alpha=0.1, linewidth=0.1)

    #fig.colorbar(surf, shrink=0.5, aspect=7, cmap=plt.cm.gray_r)

    for i in range(10):
        x = [M[i,0], M[i,0]]
        y = [M[i,1], M[i,1]]
        z = [0,-np.log(bivariate_normal(M[i,0],M[i,1]))]
        ax.plot(x,y,z,'k--',alpha=0.8, linewidth=0.5)
        ax.scatter(x, y, z, c='k', marker='o')