Как избежать непреднамеренной «нерешительности» на 3D -сюжетах? ⇐ Python

[Anonymous]

Я использую Plotly, чтобы построить 3D набор данных и наилучшую строку для этого набора данных (Plotly Version 6.2.0, Mac OS Monterey). Когда я графику данных в его исходных координатах, набор данных и лучшая линия появляются зазубренными/волнистыми/извилистыми (см. Скриншоты ниже). Однако, если я просто вычитаю среднее значение из набора данных и запускаю одинаковые функции построения построения, линия и набор данных будут отображаться точно так же, как я ожидал. Из того, что я прочитал в Интернете, одним из возможных способов сгладить внешний вид линии было бы использовать настройку «сплайна» для атрибута «line_shape». Тем не менее, я хотел бы, чтобы наиболее подходящая линия и точки данных казались коллинеарными с их оригинальными значениями, и предпочел бы избежать интерполяции, чтобы принудительно гладкости, если это возможно. /> Скриншот исходного набора данных, показывающий волнистость:
скриншот Wavy Line < /p>
Скриншот одного и того же набора данных с удаленным средним значением, показывая плавность, которую я ожидаю соблюдать:
sceenshot из того же набора данных с соответствующим кодом, который не будет соблюденным, соответствующий Sneper Sneabite < /pter < /pter < /pet. Я включил набор данных, который я использую, и отформатировал его точно так же, как он появляется в моем исходном коде. < /P>

Код: Выделить всё

import pandas as pd
import numpy as np
import plotly.graph_objects as go

### Part one:  O r i g i n a l   d a t a s e t   # # # < b r   / > #   O r i g i n a l   d a t a s e t < b r   / > x   =   [ < b r   / >         2 4 2 8 4 1 . 5 1 3 7 1 3 7 0 4 7 4 , < b r   / >         2 4 2 8 4 2 . 2 3 2 1 0 5 7 5 2 1 , < b r   / >         2 4 2 8 4 2 . 9 8 2 1 6 4 7 2 7 9 3 , < b r   / >         2 4 2 8 4 3 . 7 8 9 8 3 0 2 2 8 2 , < b r   / >         2 4 2 8 4 4 . 6 7 7 1 0 2 4 7 5 0 8 , < b r   / >         2 4 2 8 4 5 . 6 5 3 0 6 9 6 1 8 9 7 , < b r   / >         2 4 2 8 4 6 . 6 2 9 5 6 1 3 8 2 3 5 , < b r   / >         2 4 2 8 4 7 . 6 0 3 5 0 2 1 3 0 2 , < b r   / >         2 4 2 8 4 8 . 5 5 7 7 2 6 1 3 4 3 , < b r   / >         2 4 2 8 4 9 . 4 4 1 4 3 4 6 0 8 2 , < b r   / >         2 4 2 8 5 0 . 3 5 4 5 3 9 2 7 3 7 7 , < b r   / >         2 4 2 8 5 1 . 2 8 3 2 8 2 1 6 3 6 4 , < b r   / >         2 4 2 8 5 1 . 9 8 6 6 8 2 4 9 5 2 8 , < b r   / >         2 4 2 8 5 2 . 6 8 2 6 3 8 9 1 0 4 2 , < b r   / >         2 4 2 8 5 3 . 5 1 9 0 9 1 2 5 5 4 , < b r   / >         2 4 2 8 5 4 . 4 8 1 2 7 6 8 3 5 8 7 , < b r   / >         2 4 2 8 5 5 . 2 4 9 5 7 2 4 5 3 5 , < b r   / >         2 4 2 8 5 5 . 8 6 7 0 2 6 8 3 5 2 , < b r   / >         2 4 2 8 5 6 . 6 7 2 2 6 4 4 4 9 1 8 , < b r   / >         2 4 2 8 5 7 . 1 9 4 3 2 5 5 1 0 6 5 , < b r   / >         2 4 2 8 5 8 . 0 5 4 3 2 0 4 2 2 5 , < b r   / >         2 4 2 8 5 8 . 9 1 6 3 2 4 3 7 0 0 5 , < b r   / >         2 4 2 8 5 9 . 8 4 9 4 6 4 7 7 1 3 7 , < b r   / >         2 4 2 8 6 0 . 8 3 4 0 0 6 3 9 5 4 , < b r   / >         2 4 2 8 6 1 . 7 6 7 1 2 6 1 0 6 4 2 , < b r   / >         2 4 2 8 6 2 . 4 7 5 5 1 3 0 5 2 6 6 , < b r   / >         2 4 2 8 6 3 . 2 8 2 6 4 8 2 7 6 6 5 , < b r   / >         2 4 2 8 6 4 . 2 4 9 1 8 0 5 4 7 7 5 , < b r   / >         2 4 2 8 6 5 . 1 8 6 1 1 6 6 3 2 4 , < b r   / >         2 4 2 8 6 5 . 8 9 9 2 1 7 6 4 2 6 4 , < b r   / >         2 4 2 8 6 5 . 9 6 5 8 5 5 6 0 6 8 6 , < b r   / >         2 4 2 8 6 5 . 5 4 3 4 3 9 9 5 3 7 6 , < b r   / >         2 4 2 8 6 6 . 0 4 3 2 7 9 4 2 6 7 5 , < b r   / >         2 4 2 8 6 6 . 9 5 6 0 9 2 9 0 1 8 8 , < b r   / >         2 4 2 8 6 7 . 9 3 5 3 0 6 2 4 9 9 4 , < b r   / >         2 4 2 8 6 8 . 8 7 6 8 2 2 2 2 8 1 4 , < b r   / >         2 4 2 8 6 9 . 6 0 4 0 5 3 1 7 2 5 , < b r   / >         2 4 2 8 7 0 . 2 8 1 8 2 7 4 0 0 8 , < b r   / >         2 4 2 8 7 1.195308515,
242872.02078952064,
242872.80658931847,
242873.68504109397,
242874.63072940378,
242875.61506473337,
242876.59956580945,
242877.56710429245,
242878.4417633086,
242879.31683372613,
242880.13168928024,
242880.92023267024,
242881.71379591143,
242882.54724389955,
242883.4482578614,
242884.30376656697,
242885.19765295103,
242886.11825244414,
242886.9600141796,
242887.36266717812,
242888.00615052023,
242888.76926449002,
242889.5641237527,
242890.47554397324,
242891.45691368319,
242892.43368979736,
242893.4122051768,
242894.29546648718,
242895.14065051088,
242896.09998258963,
242897.0531311911,
242897.89569041005,
]
y = [
3906806.867605061,
3906806.99149825,
3906807.120852687,
3906807.2601418886,
3906807.413159992,
3906807.5814743303,
3906807.749879144,
3906807.9178440124,
3906808.08240855,
3906808.2348120487,
3906808.392285186,
3906808.552455276,
3906808.6737630083,
3906808.793786971,
3906808.9380407236,
3906809.103978307,
3906809.2364778174,
3906809.3429633956,
3906809.4818338864,
3906809.571868026,
3906809.720181907,
3906809.868842264,
3906810.0297707445,
3906810.1995638297,
3906810.3604887417,
3906810.482656461,
3906810.6218542117,
3906810.7885414213,
3906810.9501245017,
3906811.073105204,
3906811.084597522,
3906811.011748132,
3906811.0979499584,
3906811.2553728768,
3906811.4242470525,
3906811.5866199764,
3906811.7120375135,
3906811.8289257935,
3906811.9864638527,
3906812.1288254987,
3906812.264343763,
3906812.4158406965,
3906812.5789331766,
3906812.7486906843,
3906812.918476776,
3906813.0853375164,
3906813.2361803544,
3906813.387094142,
3906813.5276233335,
3906813.6636147546,
3906813.8004718944,
3906813.944207519,
3906814.099595505,
3906814.2471356993,
3906814.40129447,
3906814.5600601574,
3906814.7052295627,
3906814.7746707047,
3906814.885645212,
3906815.0172511004,
3906815.154331751,
3906815.31151439,
3906815.48076045,
3906815.6492143027,
3906815.8179681073,
3906815.9702944886,
3906816.116054098,
3906816.2814995693,
3906816.4458786445,
3906816.591185583,
]
z = [
663.4151597804555,
663.4437289572488,
663.4735574715868,
663.5056768951674,
663.540962137783,
663.5797746190462,
663.6186079634939,
663.6573398585826,
663.6952876537634,
663.7304311714518,
663.7667437235136,
663.8036781800032,
663.8316511628669,
663.8593281143825,
663.89259233969,
663.9308567526336,
663.9614105058508,
663.9859655708151,
664.0179884416671,
664.0387498835784,
664.0729503549891,
664.1072307221838,
664.1443400598992,
664.1834935330202,
664.2206020479188,
664.2487733395961,
664.2808716750297,
664.3193089481462,
664.3565692334507,
664.3849279950878,
664.3875780686622,
664.3707793477998,
664.3906570765743,
664.4269580485095,
664.4658996255514,
664.5033420450945,
664.5322627291333,
664.5592166073463,
664.595544130102,
664.6283720447158,
664.6596219081147,
664.6945563762371,
664.7321647220051,
664.7713099911615,
664.8104618517616,
664.8489391401395,
664.883722776953,
664.9185227744699,
664.9509281337324,
664.9822871049239,
665.0138457066884,
665.0469904540547,
665.0828221802874,
665.1168442432357,
665.1523925183491,
665.1890031264005,
665.2224784967451,
665.2384912919068,
665.2640814824322,
665.2944291707121,
665.3260393129514,
665.3622848776236,
665.4013122093502,
665.4401568619255,
665.4790706819934,
665.5141964167825,
665.5478078854554,
665.5859588196997,
665.6238638480258,
665.657370932874,
]

# Dataset converted into dictionary and Pandas DataFrame
data_dict = {"x":  x, "y": y, "z": z}
test_data = pd.DataFrame(data_dict)

# Calculate mean of dataset
data_mean = [test_data["x"].mean(), test_data["y"].mean(), test_data["z"].mean()]

# Best-fit 3D line to dataset
vector_in = np.array([11.92932516, 2.05731974, 0.47440809])

# Plot best-fit line
linearspacing = np.linspace(-100, 100, 1000)
plot_line_x = data_mean[0] + (vector_in[0] * linearspacing)
plot_line_y = data_mean[1] + (vector_in[1] * linearspacing)
plot_line_z = data_mean[2] + (vector_in[2] * linearspacing)

# Plot of dataset and line - line and dataset appear wavy/jagged
test_figure = go.Figure(
data=[
go.Scatter3d(
x=test_data["x"],
y=test_data["y"],
z=test_data["z"],
name="Data",
mode="markers",
marker=dict(
size=5, line=dict(width=2, color="Black"), color="cyan", opacity=0.5
),
)
]
)
test_figure.add_trace(
go.Scatter3d(
x=plot_line_x,
y=plot_line_y,
z=plot_line_z,
mode="lines",
name="Best-fit Line",
line=dict(color="black", width=3),
)
)
test_figure.update_layout(
title="Original data; best-fit line and datapoints appear wavy",
scene=dict(
xaxis=dict(range=[data_mean[0] - 40, data_mean[0] + 40]),
yaxis=dict(range=[data_mean[1] - 40, data_mean[1] + 40]),
zaxis=dict(range=[data_mean[2] - 40, data_mean[2] + 40]),
),
)
test_figure.show()

### Part two: Original dataset with mean subtracted ###
# Same dataset with mean subtracted
x2 = x - data_mean[0]
y2 = y - data_mean[1]
z2 = z - data_mean[2]

# Mean-subtracted dataset converted into dictionary and Pandas DataFrame
data_dict2 = {"x2": x2, "y2": y2, "z2": z2}
test_data2 = pd.DataFrame(data_dict2)

# Same vector plotted, but centered at origin
plot_line_x2 = vector_in[0] * linearspacing
plot_line_y2 = vector_in[1] * linearspacing
plot_line_z2 = vector_in[2] * linearspacing

# Plot of dataset and line
test_figure2 = go.Figure(
data=[
go.Scatter3d(
x=test_data2["x2"],
y=test_data2["y2"],
z=test_data2["z2"],
name="Data",
mode="markers",
marker=dict(
size=5, line=dict(width=2, color="Black"), color="cyan", opacity=0.5
),
)
]
)
test_figure2.add_trace(
go.Scatter3d(
x=plot_line_x2,
y=plot_line_y2,
z=plot_line_z2,
mode="lines",
name="Best-fit Line",
line=dict(color="black", width=3),
)
)
test_figure2.update_layout(
title="Data with mean subtracted; no waviness",
scene=dict(
xaxis=dict(range=[-40, 40]),
yaxis=dict(range=[-40, 40]),
zaxis=dict(range=[-40, 40]),
),
)
test_figure2.show()

Я также опубликовал тот же вопрос на форуме сообщества Plotly (и обновлю с любыми ответами, которые решают проблему).

Подробнее здесь: https://stackoverflow.com/questions/797 ... otly-plots