Шаг 182.
Язык Python. Визуализация данных.
Библиотека Mayavi. Работа с pipeline. Работа с источниками данных

    На этом шаге мы рассмотрим типы данных и перечислим функции, предназначенные для работы с ними.

    При формировании pipeline для решения задачи визуализации первое, что нужно сделать - это определиться с источником данных, который будет использоваться в конвейере. Данные, которые визуализируются с помощью Mayavi можно разделить на две большие группы - это связанные и несвязанные.

    Набор несвязанных данных (unconnected points) представляет собой набор точек, координаты которых могут быть случайно распределены в пространстве, расстояния между ними и численные значения параметров в точках также могут иметь случайных характер. В таком наборе о конкретном элементе данных ничего нельзя сказать, зная значения соседних.

    Набор связанных данных (connected data points) представляет собой структурированный, равномерно распределенный блок данных. Особенность его заключается в том, что соседние элементы (точки) функционально связаны друг с другом (отсюда и название), можно сказать, что они являются результатом интерполяции. Такие наборы ещё называют полем.

    Связанные данные разделяют на явно (explicit) и неявно (implicit) связанные. В первом случае предполагается, что данные представляются расположенными в решетчатой структуре, так, например, описываются 2D-изображения. Во втором связность между точками задаётся явно, это позволяет проводить линии в данных, определять объем фигур и т.п.

    Наиболее часто используемые функции для построения источников несвязанных данных представлены ниже:

    Для построения связанных наборов используются следующие группы функции:

    В качестве исходных наборов данных, представленные выше функции, принимают numPy-массивы.

    На следующем шаге мы приведем примеры использования некоторых из перечисленных функций.




Предыдущий шаг Содержание Следующий шаг