Python 绘制时间—频率—能量瀑布图(含代码)

引言

import osimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cmfrom matplotlib.colors import Normalize# 0. 输出目录OUTDIR = "waterfall_demo_output_clean"os.makedirs(OUTDIR, exist_ok=True)# 1. 构造模拟的时间-频率-能量数据def gaussian(x, mu, sigma):    return np.exp(-0.5 * ((x - mu) / sigma) ** 2)def moving_average_1d(x, w=5):    if w <= 1:        return x.copy()    kernel = np.ones(w) / w    return np.convolve(x, kernel, mode="same")def generate_tf_energy(nt=90, nf=260, seed=2026):    rng = np.random.default_rng(seed)    t = np.linspace(0, 40, nt)          # time    f = np.linspace(0, 120, nf)         # frequency    E = np.zeros((nt, nf), dtype=float)    for i, ti in enumerate(t):        # 成分1：低频起伏带        c1 = 18 + 10 * np.sin(2 * np.pi * ti / 18.0)        a1 = 1.2 + 0.5 * np.cos(2 * np.pi * ti / 11.0)        band1 = a1 * gaussian(f, c1, 4.5)        # 成分2：中高频摆动带        c2 = 68 + 13 * np.cos(2 * np.pi * (ti - 5) / 15.0)        a2 = 1.0 + 0.4 * np.sin(2 * np.pi * ti / 9.5)        band2 = a2 * gaussian(f, c2, 6.5)        # 成分3：斜向 chirp 型能量脊        c3 = 10 + 1.7 * ti        a3 = 0.8 + 0.25 * np.sin(2 * np.pi * ti / 8.0)        band3 = a3 * gaussian(f, c3, 3.0)        # 局部强脉冲热点        burst = (            1.8 * gaussian(ti, 10.0, 1.2) * gaussian(f, 88, 5.0) +            2.2 * gaussian(ti, 21.0, 1.5) * gaussian(f, 52, 4.0) +            1.6 * gaussian(ti, 31.0, 1.0) * gaussian(f, 97, 3.8)        )        # 背景起伏        background = (            0.15            + 0.10 * np.sin(0.15 * f + 0.55 * ti)            + 0.06 * np.cos(0.10 * f - 0.35 * ti)        )        # 噪声        noise = 0.05 * rng.normal(size=nf)        E[i, :] = band1 + band2 + band3 + burst + background + noise    E = np.clip(E, 0, None)    # 沿时间方向平滑    for j in range(nf):        E[:, j] = moving_average_1d(E[:, j], w=5)    return t, f, E# 2. 基础版瀑布图def plot_basic_waterfall(t, f, E, out_png):    fig = plt.figure(figsize=(12, 8), dpi=180)    ax = fig.add_subplot(111, projection="3d")    idx = np.arange(0, len(t), 2)    norm = Normalize(vmin=E.min(), vmax=E.max())    cmap = cm.viridis    for i in idx:        color = cmap(norm(E[i].max()))        ax.plot(            f,            np.full_like(f, t[i]),            E[i],            color=color,            lw=1.4,            alpha=0.95        )        ax.plot(            f,            np.full_like(f, t[i]),            np.zeros_like(f),            color=color,            lw=0.6,            alpha=0.12        )    ax.set_xlabel("Frequency", fontsize=12, labelpad=10)    ax.set_ylabel("Time", fontsize=12, labelpad=10)    ax.set_zlabel("Energy", fontsize=12, labelpad=8)    ax.view_init(elev=28, azim=-62)    ax.set_xlim(f.min(), f.max())    ax.set_ylim(t.min(), t.max())    ax.set_zlim(0, E.max() * 1.10)    ax.xaxis.pane.set_alpha(0.06)    ax.yaxis.pane.set_alpha(0.06)    ax.zaxis.pane.set_alpha(0.02)    ax.grid(True, alpha=0.25)    mappable = cm.ScalarMappable(norm=norm, cmap=cmap)    mappable.set_array([])    cbar = plt.colorbar(mappable, ax=ax, pad=0.08, shrink=0.78)    cbar.set_label("Slice peak energy", fontsize=11)    plt.tight_layout()    plt.savefig(out_png, bbox_inches="tight")# 3. 重新整理后的进阶版瀑布图def plot_advanced_waterfall(t, f, E, out_png):    fig = plt.figure(figsize=(12, 8), dpi=180)    ax = fig.add_subplot(111, projection="3d")    # 只抽取较少切片，避免太密    idx = np.arange(0, len(t), 4)    norm = Normalize(vmin=E.min(), vmax=E.max())    cmap = cm.plasma    peak_each_time = E.max(axis=1)    top_idx = np.argsort(peak_each_time)[-3:]   # 最强3个切片高亮    for i in idx:        color = cmap(norm(E[i].max()))        lw = 1.0        alpha = 0.45        if i in top_idx:            lw = 2.2            alpha = 0.95        ax.plot(            f,            np.full_like(f, t[i]),            E[i],            color=color,            lw=lw,            alpha=alpha        )    # 主能量脊线：每个时刻最大能量对应的频率    ridge_f = f[np.argmax(E, axis=1)]    ridge_z = E.max(axis=1)    ridge_f_smooth = moving_average_1d(ridge_f, w=7)    ridge_z_smooth = moving_average_1d(ridge_z, w=7)    # 主脊线本体    ax.plot(        ridge_f_smooth,        t,        ridge_z_smooth + 0.03 * E.max(),        color="cyan",        lw=2.4,        alpha=0.95,        label="Dominant energy ridge"    )    # 加少量散点，让这条线更有 3D 路径感    step = 6    ax.scatter(        ridge_f_smooth[::step],        t[::step],        ridge_z_smooth[::step] + 0.03 * E.max(),        s=18,        color="cyan",        edgecolors="black",        linewidths=0.4,        alpha=0.95    )    # 只标出一个全局峰值，不再写 Peak1 Peak2    g_idx = np.argmax(peak_each_time)    g_f = f[np.argmax(E[g_idx])]    g_z = E[g_idx].max()    ax.scatter(        [g_f], [t[g_idx]], [g_z],        s=52,        color="yellow",        edgecolors="black",        linewidths=0.8,        zorder=10    )    ax.set_xlabel("Frequency", fontsize=12, labelpad=10)    ax.set_ylabel("Time", fontsize=12, labelpad=10)    ax.set_zlabel("Energy", fontsize=12, labelpad=8)    ax.set_xlim(f.min(), f.max())    ax.set_ylim(t.min(), t.max())    ax.set_zlim(0, E.max() * 1.10)    # 视角略调整    ax.view_init(elev=27, azim=-58)    ax.xaxis.pane.set_alpha(0.05)    ax.yaxis.pane.set_alpha(0.05)    ax.zaxis.pane.set_alpha(0.02)    ax.grid(True, alpha=0.18)    mappable = cm.ScalarMappable(norm=norm, cmap=cmap)    mappable.set_array([])    cbar = plt.colorbar(mappable, ax=ax, pad=0.08, shrink=0.78)    cbar.set_label("Slice peak energy", fontsize=11)    ax.legend(loc="upper right", frameon=True, fontsize=10)    plt.tight_layout()    plt.savefig(out_png, bbox_inches="tight")# 4. 主程序def main():    t, f, E = generate_tf_energy()    basic_png = os.path.join(OUTDIR, "waterfall_basic.png")    adv_png = os.path.join(OUTDIR, "waterfall_advanced_clean.png")    plot_basic_waterfall(t, f, E, basic_png)    plot_advanced_waterfall(t, f, E, adv_png)if __name__ == "__main__":    main()

特别声明：

以上代码与文案均为网上资料整合而成，仅供广大同行们参考学习，如有侵权请联系删除。