import numpy as np
import matplotlib.pyplot as plt
# 创建随机数
n = 100000
x = np.random.randn(n)
y = (1.5 * x) + np.random.randn(n)
fig1 = plt.figure()
plt.plot(x,y,'.r')
plt.xlabel('x')
plt.ylabel('y')
plt.savefig('2D_1V1.png',dpi=600)
nbins = 200
H, xedges, yedges = np.histogram2d(x,y,bins=nbins)
# H needs to be rotated and flipped
H = np.rot90(H)
H = np.flipud(H)
# 将 zeros mask
Hmasked = np.ma.masked_where(H==0,H)
# Plot 2D histogram using pcolor
fig2 = plt.figure()
plt.pcolormesh(xedges,yedges,Hmasked)
plt.xlabel('x')
plt.ylabel('y')
cbar = plt.colorbar()
cbar.ax.set_ylabel('Counts')
plt.savefig('2D_2V1.png',dpi=600)
plt.show()

这段代码的主要作用是生成 2D 直方图，帮助我们可视化数据集中的情况。

首先，使用 `numpy.random.randn()` 函数生成一个包含100,000个元素的随机数数组 x，并由 y = (1.5 * x) + np.random.randn(n) 计算出相应的 y 值，在 plt.plot(x,y,’.r’) 中绘制二维散点图。

接着，使用 `numpy.histogram2d()` 函数将数据划分到网格中，并且根据各网格内数据的计数绘制颜色不同的矩形。该函数返回三个值，分别是 H（计数）、xedges（每一列的边界）和 yedges（每一行的边界）。

再之后，在 H 非 0 的区域打上背景遮罩，并通过 `pcolormesh()` 函数把这些区域的计数对应于不同颜色的矩形来展示直方图。

最后，增加了一些标签、轴、颜色线条等细节，并使用 `plt.savefig()` 函数将图片保存为文件。

该代码可以用于描述任何包含两个变量的数据集，以适合于在图像上显示数据的形式呈现它们。

import csv
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
data=pd.read_csv('LOBO0010-2020112014010.tsv',sep='t')
time=data['date [AST]']
sal=data['salinity']
tem=data['temperature [C]']print(sal)
DAT = []
for row in time:
DAT.append(datetime.strptime(row,"%Y-%m-%d %H:%M:%S"))
#create figure
fig, ax =plt.subplots(1)
# Plot y1 vs x in blue on the left vertical axis.
plt.xlabel("Date [AST]")
plt.ylabel("Temperature [C]", color="b")
plt.tick_params(axis="y", labelcolor="b")
plt.plot(DAT, tem, "b-", linewidth=1)
plt.title("Temperature and Salinity from LOBO (Halifax, Canada)")
fig.autofmt_xdate(rotation=50)
# Plot y2 vs x in red on the right vertical axis.
plt.twinx()
plt.ylabel("Salinity", color="r")
plt.tick_params(axis="y", labelcolor="r")
plt.plot(DAT, sal, "r-", linewidth=1)
#To save your graph
plt.savefig('saltandtemp_V1.png' ,bbox_inches='tight')
plt.show()
Example 3：拟合曲线（
Python）
import csv
import numpy as np
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
import scipy.signal as signal
data=pd.read_csv('LOBO0010-20201122130720.tsv',sep='t')
time=data['date [AST]']
temp=data['temperature [C]']
datestart = datetime.strptime(time[1],"%Y-%m-%d %H:%M:%S")
DATE,decday = [],[]
for row in time:
daterow = datetime.strptime(row,"%Y-%m-%d %H:%M:%S")
DATE.append(daterow)
decday.append((daterow-datestart).total_seconds()/(3600*24))
# First, design the Buterworth filter
N
= 2
# Filter orderWn = 0.01 # Cutoff frequency
B, A = signal.butter(N, Wn, output='ba')
# Second, apply the filter
tempf = signal.filtfilt(B,A, temp)
# Make plots
fig = plt.figure()
ax1 = fig.add_subplot(211)
plt.plot(decday,temp, 'b-')
plt.plot(decday,tempf, 'r-',linewidth=2)
plt.ylabel("Temperature (oC)")
plt.legend(['Original','Filtered'])
plt.title("Temperature from LOBO (Halifax, Canada)")
ax1.axes.get_xaxis().set_visible(False)
ax1 = fig.add_subplot(212)
plt.plot(decday,temp-tempf, 'b-')
plt.ylabel("Temperature (oC)")
plt.xlabel("Date")
plt.legend(['Residuals'])
plt.savefig('tem_signal_filtering_plot.png', bbox_inches='tight')
plt.show()

代码块主要是使用 Python 实现了一个数字信号处理的过程，是针对来自 LOBO0010-20201122130720.tsv 数据集的处理。

该代码块的任务是进行高斯滤波（Butterworth Filter）处理并拟合曲线，并通过可视化的方式呈现出原始数据和经过滤波处理后的信号及其差异。具体来说，使用 scipy.signal.butter() 函数设计滤波器、应用高斯滤波，然后使用 matplotlib.pyplot.plot() 函数画出图像。此外，还使用 matplotlib.pyplot.legend() 等函数为图形添加标签和文字说明。

最后，使用 matplotlib.pyplot.savefig() 函数将生成的图像保存到本地磁盘，并使用 matplotlib.pyplot.show() 函数展示可视化结果。

import csv
import numpy as np
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
import scipy.signal as signal
data=pd.read_csv('LOBO0010-20201122130720.tsv',sep='t')
time=data['date [AST]']
temp=data['temperature [C]']
datestart = datetime.strptime(time[1],"%Y-%m-%d %H:%M:%S")
DATE,decday = [],[]
for row in time:
daterow = datetime.strptime(row,"%Y-%m-%d %H:%M:%S")
DATE.append(daterow)
decday.append((daterow-datestart).total_seconds()/(3600*24))
# First, design the Buterworth filter
N
= 2
# Filter order
Wn = 0.01 # Cutoff frequency
B, A = signal.butter(N, Wn, output='ba')
# Second, apply the filtertempf = signal.filtfilt(B,A, temp)
# Make plots
fig = plt.figure()
ax1 = fig.add_subplot(211)
plt.plot(decday,temp, 'b-')
plt.plot(decday,tempf, 'r-',linewidth=2)
plt.ylabel("Temperature (oC)")
plt.legend(['Original','Filtered'])
plt.title("Temperature from LOBO (Halifax, Canada)")
ax1.axes.get_xaxis().set_visible(False)
ax1 = fig.add_subplot(212)
plt.plot(decday,temp-tempf, 'b-')
plt.ylabel("Temperature (oC)")
plt.xlabel("Date")
plt.legend(['Residuals'])
plt.savefig('tem_signal_filtering_plot.png', bbox_inches='tight')
plt.show()

# This import registers the 3D projection
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cbook
from matplotlib import cm
from matplotlib.colors import LightSource
import matplotlib.pyplot as plt
import numpy as np
filename
=
cbook.get_sample_data('jacksboro_fault_dem.npz',
asfileobj=False)
with np.load(filename) as dem:
z = dem['elevation']
nrows, ncols = z.shape
x = np.linspace(dem['xmin'], dem['xmax'], ncols)
y = np.linspace(dem['ymin'], dem['ymax'], nrows)
x, y = np.meshgrid(x, y)
region = np.s_[5:50, 5:50]
x, y, z = x[region], y[region], z[region]
fig, ax = plt.subplots(subplot_kw=dict(projection='3d'))
ls = LightSource(270, 45)
rgb = ls.shade(z, cmap=cm.gist_earth, vert_exag=0.1, blend_mode='soft')
surf = ax.plot_surface(x, y, z, rstride=1, cstride=1, facecolors=rgb,linewidth=0, antialiased=False, shade=False)
plt.savefig('example4.png',dpi=600, bbox_inches='tight')
plt.show()

这段代码主要使用 Matplotlib 库中的模块 `Axes3D` 来创建和处理 3D 图形。其任务是将样本数据集 jacksboro_fault_dem.npz 中的地理高度（即该点距离海平面的高度）制成 3D 表面图。

首先，导入所需模块和库并读取数据。然后，选择特定区域进行绘制，即选区 region 为左上角为(5,5)，右下角为(50,50) 的区域。接下来，使用 LightSource 函数实现 3D 图形的渲染，其中的参数 elevation 是数据集的高程信息，cmap 参数表示图像的颜色映射，vert_exag 参数表示图像的垂直高度系数。最后，使用 `plot_surface()` 函数画出 3D 表面图，并使用 `savefig()` 函数将生成的图像保存到本地磁盘，并使用 `show()` 函数展示可视化结果。

需要注意的是，在此过程中，也需要对 x、y 和 z 坐标进行网格化和重采样以制作 3D 表面图。