import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import hsv_to_rgb import discretisedfield as df from pathlib import Path import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec from pprint import pprint import warnings warnings.filterwarnings('ignore') path = Path("/home/tlliu/matlab/") fnames = [] # for i in list(path.glob("str_-0.013*phi_0.0002*V/*R12_2*/STO*")):10000000_polar for i in list(path.glob("meron/meron/PTO_tip_0-0.1")): try: fnames.append(list(i.glob("polar_tip_-0.1.mat"))[-1]) except IndexError: pass pprint(fnames) # 物理参数配置 Nx, Ny, Nz = 128, 128, 25 dx = 1.0 # nm (x方向间隔) dy = 1.0 # nm (y方向间隔) dz = 0.2 # nm (z方向间隔) for fname in fnames: field = df.Field.fromfile(fname) # 提取数据数组（根据之前确认的正确方式） p_x = field.p_x.value p_y = field.p_y.value p_z = field.p_z.value # 计算颜色编码（与之前相同） abs_px = np.abs(p_x) abs_py = np.abs(p_y) abs_pz = np.abs(p_z) max_abs = np.maximum(np.maximum(abs_px, abs_py), abs_pz) color_hue = np.zeros_like(p_x) mask_px = (abs_px == max_abs) color_hue[(mask_px) & (p_x > 0)] = 60 color_hue[(mask_px) & (p_x <= 0)] = 120 mask_py = (abs_py == max_abs) color_hue[(mask_py) & (p_y > 0)] = 30 color_hue[(mask_py) & (p_y <= 0)] = 180 mask_pz = (abs_pz == max_abs) color_hue[(mask_pz) & (p_z < 0)] = 240 color_hue[(mask_pz) & (p_z >= 0)] = 0 # 物理坐标生成 x_phys = np.arange(0, Nx*dx, dx) # 0到127 nm y_phys = np.arange(0, Ny*dy, dy) # 0到127 nm # 降采样参数 step = 1 x_sub = x_phys[::step] y_sub = y_phys[::step] # 提取颜色数据子集 colors = color_hue[::step, ::step, 13].flatten() # 只取z=0层的颜色数据 # 转换为RGB h = colors / 360.0 rgb = hsv_to_rgb(np.stack([h, np.ones_like(h), np.ones_like(h)], axis=1)) hue_2d = color_hue[::step, ::step, 13].T # 关键转置操作 # 创建x-y平面图 plt.figure(figsize=(10, 8)) extent = [0, Nx*dx, 0,

<think>好的，用户想用Python的matplotlib和discretisedfield库绘制物理场数据的彩色矢量图。首先，我需要确认这两个库的用法和如何结合它们。 matplotlib的quiver函数可以画矢量图，但彩色矢量可能需要根据矢量长度或方向来上色。而discretisedfield库是用于处理离散化场数据的，可能需要先安装这个库，然后导入数据。 用户的需求是示例代码解析，所以应该分步骤解释。首先安装必要的库，然后创建或加载场数据。接着用discretisedfield处理数据，再用matplotlib绘制。颜色映射可能需要使用Normalize和Colormap来处理矢量的模长。 需要注意坐标轴和颜色条的设置，确保图表清晰。可能还需要引用之前关于matplotlib的参考资料，比如引用[2]和[3]中的示例。同时，要检查代码是否正确，比如导入语句、数据处理和绘图参数是否正确。 最后，生成相关问题，帮助用户深入理解，比如如何调整颜色映射或处理三维数据。要确保回答结构清晰，符合用户的要求。</think>要使用Python的`matplotlib`和`discretisedfield`库绘制物理场数据的彩色矢量图，可以通过以下步骤实现。代码将结合矢量方向、颜色映射和离散化场数据处理技术。 --- ### 步骤解析与示例代码 #### 1. 安装依赖库 ```bash pip install matplotlib numpy discretisedfield ``` #### 2. 创建物理场数据 使用`discretisedfield`生成示例磁场数据： ```python import discretisedfield as df import numpy as np # 定义三维网格 region = df.Region(p1=(0, 0, 0), p2=(50e-9, 50e-9, 1e-9)) mesh = df.Mesh(region=region, n=(50, 50, 1)) # 生成螺旋型磁场数据 def m_value(pos): x, y, z = pos return (0, np.sin(2 * np.pi * x / 50e-9), np.cos(2 * np.pi * y / 50e-9)) field = df.Field(mesh, dim=3, value=m_value, norm=1e3) # norm为归一化参数 ``` #### 3. 提取数据并计算模长 ```python # 提取二维切片（z=0） plane = field.plane(z=0) # 提取坐标和矢量分量 x, y = plane.mesh.grid_points[:, :, 0, 0], plane.mesh.grid_points[:, :, 0, 1] u = plane.array[:, :, 0] # x分量 v = plane.array[:, :, 1] # y分量 magnitude = np.sqrt(u**2 + v**2) # 矢量模长（用于颜色映射） ``` #### 4. 绘制彩色矢量图 ```python import matplotlib.pyplot as plt from matplotlib.colors import Normalize # 设置画布和颜色映射 fig, ax = plt.subplots(figsize=(10, 8)) norm = Normalize(vmin=magnitude.min(), vmax=magnitude.max()) cmap = plt.get_cmap('viridis') # 绘制矢量图（颜色与模长关联） quiver = ax.quiver(x, y, u, v, magnitude, cmap=cmap, norm=norm, angles='xy', scale_units='xy', scale=0.8, # 调整箭头密度 width=0.004) # 添加颜色条 cbar = fig.colorbar(quiver, ax=ax) cbar.set_label('Magnetization Magnitude (A/m)') # 标签与标题 ax.set_title('Magnetic Field Vector Plot') ax.set_xlabel('X (nm)') ax.set_ylabel('Y (nm)') plt.grid(True) plt.show() ``` --- ### 代码解析 1. **数据生成**：`discretisedfield`用于定义三维网格和磁场分布，这里生成了一个螺旋型磁场用于演示[^3]。 2. **矢量颜色映射**：通过`magnitude`计算每个矢量的模长，并映射到`viridis`颜色条上，实现颜色与矢量强度的关联[^2]。 3. **可视化优化**： - `scale=0.8`控制箭头密度，避免重叠； - `width=0.004`调整箭头粗细； - `angles='xy'`确保箭头方向与坐标系对齐。 --- ### 效果示意图 输出图像将显示二维平面上的矢量分布，箭头方向表示磁场方向，颜色深浅表示磁场强度（例如蓝色为低强度，黄色为高强度）。 ---