使用传统的绘图类型可以相对直观地查看二维和三维数据。即使是四维数据，我们也经常能找到显示数据的方法。不过，4维以上的维度越来越难以显示。幸运的是，parallel coordinates plots提供了一种查看高维结果的机制。

有几个绘图包提供平行坐标绘图，例如Matlab、R、VTK type 1和VTK type 2，但我不知道如何使用Matplotlib创建一个。Matplotlib中是否有内置的平行坐标图？我当然看不到。

如果没有内置类型，是否可以使用Matplotlib的标准功能生成平行坐标图？

编辑：

基于下面的Zhenya提供的答案，我开发了以下支持任意轴数的泛化。按照我在上面原始问题中发布的示例的打印样式，每个轴都有自己的比例。我通过规范化每个轴点的数据并使轴的范围为0到1来实现这一点。然后我回去给每个记号贴上标签，在截距处给出正确的值。

该函数通过接受一组数据集来工作。每个数据集被视为一组点，其中每个点位于不同的轴上。__main__中的示例为两组30行中的每个轴获取随机数。这些行在导致行聚集的范围内是随机的；我想验证这一行为。

这个解决方案不如内置的解决方案，因为您有奇怪的鼠标行为，我通过标签伪造数据范围，但是在Matplotlib添加内置解决方案之前，这是可以接受的。#!/usr/bin/python

import matplotlib.pyplot as plt

import matplotlib.ticker as ticker

def parallel_coordinates(data_sets, style=None):

dims = len(data_sets[0])

x = range(dims)

fig, axes = plt.subplots(1, dims-1, sharey=False)

if style is None:

style = ['r-']*len(data_sets)

# Calculate the limits on the data

min_max_range = list()

for m in zip(*data_sets):

mn = min(m)

mx = max(m)

if mn == mx:

mn -= 0.5

mx = mn + 1.

r = float(mx - mn)

min_max_range.append((mn, mx, r))

# Normalize the data sets

norm_data_sets = list()

for ds in data_sets:

nds = [(value - min_max_range[dimension][0]) /

min_max_range[dimension][2]

for dimension,value in enumerate(ds)]

norm_data_sets.append(nds)

data_sets = norm_data_sets

# Plot the datasets on all the subplots

for i, ax in enumerate(axes):

for dsi, d in enumerate(data_sets):

ax.plot(x, d, style[dsi])

ax.set_xlim([x[i], x[i+1]])

# Set the x axis ticks

for dimension, (axx,xx) in enumerate(zip(axes, x[:-1])):

axx.xaxis.set_major_locator(ticker.FixedLocator([xx]))

ticks = len(axx.get_yticklabels())

labels = list()

step = min_max_range[dimension][2] / (ticks - 1)

mn = min_max_range[dimension][0]

for i in xrange(ticks):

v = mn + i*step

labels.append('%4.2f' % v)

axx.set_yticklabels(labels)

# Move the final axis' ticks to the right-hand side

axx = plt.twinx(axes[-1])

dimension += 1

axx.xaxis.set_major_locator(ticker.FixedLocator([x[-2], x[-1]]))

ticks = len(axx.get_yticklabels())

step = min_max_range[dimension][2] / (ticks - 1)

mn = min_max_range[dimension][0]

labels = ['%4.2f' % (mn + i*step) for i in xrange(ticks)]

axx.set_yticklabels(labels)

# Stack the subplots

plt.subplots_adjust(wspace=0)

return plt

if __name__ == '__main__':

import random

base = [0, 0, 5, 5, 0]

scale = [1.5, 2., 1.0, 2., 2.]

data = [[base[x] + random.uniform(0., 1.)*scale[x]

for x in xrange(5)] for y in xrange(30)]

colors = ['r'] * 30

base = [3, 6, 0, 1, 3]

scale = [1.5, 2., 2.5, 2., 2.]

data.extend([[base[x] + random.uniform(0., 1.)*scale[x]

for x in xrange(5)] for y in xrange(30)])

colors.extend(['b'] * 30)

parallel_coordinates(data, style=colors).show()

编辑2:

下面是一个在绘制Fisher's Iris data时从上述代码中得到的结果的示例。它不像维基百科上的参考图片那么好，但是如果你只有Matplotlib并且你需要多维图的话，它是可以接受的。