如何基于模拟三维数组创建3D填充区间可视化图表

核心思路 #

3D填充区间的本质是在**时间（X轴）-模拟次数（Y轴）**的平面上，为每个时间点绘制对应所有模拟运行的变量值范围，并填充该范围形成立体区域。直接对2000次运行的全量数据逐线绘制会导致性能卡顿，建议优先通过统计聚合（如分位数、极值）提取边界，再基于边界生成曲面完成填充。

步骤实现 #

1. 数据预处理 #

先转换时间轴单位，再计算每个时间点的变量边界统计量：

import numpy as np

# 假设matrix_outputs为(2000, 86400, 4)的三维数组
# 转换秒为分钟：86400秒 = 1440分钟
time_min = np.arange(86400) / 60

# 以第一个变量（预估负载）为例，提取全量数据
var_data = matrix_outputs[:, :, 0]
# 计算每个时间点的极值作为填充边界（也可用5%/95%分位数）
lower_bound = var_data.min(axis=0)
upper_bound = var_data.max(axis=0)

2. 3D填充区间绘制 #

方案1：聚合边界曲面填充（高效清晰）

通过网格映射将边界扩展为立体曲面，填充两个曲面间的区域：

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

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 构建X-Y网格：X为时间分钟，Y为模拟Run ID
X_grid, Y_grid = np.meshgrid(time_min, np.arange(2000))
# 将边界扩展为与网格匹配的维度
lower_surface = np.tile(lower_bound, (2000, 1))
upper_surface = np.tile(upper_bound, (2000, 1))

# 绘制上下边界曲面
ax.plot_surface(X_grid, Y_grid, lower_surface, color='#4a86e8', alpha=0.3)
ax.plot_surface(X_grid, Y_grid, upper_surface, color='#4a86e8', alpha=0.3)

# 填充曲面间的侧面区域（可选，增强立体感）
for x_idx in range(0, len(time_min), 60):  # 每1分钟抽样一个点，减少计算量
    x = time_min[x_idx]
    z_low = lower_bound[x_idx]
    z_high = upper_bound[x_idx]
    # 绘制左右侧连接面
    ax.fill_betweenx([z_low, z_high], x, x, 0, 1999, alpha=0.2, color='#4a86e8')

# 设置轴标签
ax.set_xlabel('Time (minutes)')
ax.set_ylabel('Run ID')
ax.set_zlabel('Estimated Load')
plt.show()

方案2：逐时间点区间填充（细节丰富）

若需展示每个时间点所有Run的变量分布范围，可逐点绘制矩形填充区域：

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

sample_interval = 60  # 每60秒抽样一个时间点，避免性能过载
for x_idx in range(0, len(time_min), sample_interval):
    x = time_min[x_idx]
    z_vals = var_data[:, x_idx]
    z_min, z_max = z_vals.min(), z_vals.max()
    y_range = np.arange(2000)
    
    # 填充当前时间点的Z值区间
    ax.fill_between(y_range, x, x, z_min, z_max, alpha=0.2, color='#4a86e8')
    # 绘制区间上下边缘线
    ax.plot3D([x]*2000, y_range, [z_min]*2000, color='gray', linewidth=0.5)
    ax.plot3D([x]*2000, y_range, [z_max]*2000, color='gray', linewidth=0.5)

ax.set_xlabel('Time (minutes)')
ax.set_ylabel('Run ID')
ax.set_zlabel('Estimated Load')
plt.show()

3. 优化建议 #

• 抽样降维：86400个时间点全量绘制会严重拖慢速度，建议按10秒/1分钟间隔抽样。
• 多变量区分：若需同时展示4个变量，可拆分4个3D子图，或用不同颜色（如负载用橙色、可再生能源用绿色）区分填充区域。
• 交互视角：开启plt.ion()交互模式，方便旋转查看3D空间的细节。
• 内存优化：若内存不足，可分批次处理模拟Run，避免一次性加载全量数据。

内容的提问来源于stack exchange，提问作者K. Rincon