matplotlib.pyplot contourf 

coutour([X, Y,] Z,[levels], **kwargs)

是来绘制等高线的，contour和contourf都是画三维等高线图的，不同点在于contour() 是绘制轮廓线，contourf()会填充轮廓。除非另有说明，否则两个版本的函数是相同的。

Example：

要画出等高线，核心函数是plt.contourf()，但在这个函数中输入的参数是x,y对应的网格数据以及此网格对应的高度值，因此我们调用np.meshgrid(x,y)把x,y值转换成网格数据：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt


# 计算x,y坐标对应的高度值
def f(x, y):
 return (1-x/2+x**3+y**5) * np.exp(-x**2-y**2)
 
# 生成x,y的数据
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
 
# 把x,y数据生成mesh网格状的数据，因为等高线的显示是在网格的基础上添加上高度值
X, Y = np.meshgrid(x, y)
 
# 填充等高线
plt.contourf(X, Y, f(X, Y))
# 显示图表
plt.show()

显示的图为：

如果想显示热力图，那只要在plt.contourf()函数中添加属性cmap=plt.cm.hot就能显示热力图，其中cmap代表为color map，我们把color map映射成hot(热力图)

# 填充等高线
plt.contourf(X, Y, f(X, Y), cmap=plt.cm.hot)

显示的图为：

参考文章：

用matplotlib画等高线图详解

任务：将每个象限的风速，距离，角度绘制成极坐标轮廓图。
使用极坐标画等直线图，可以用极地图的ax.contour或ax.contourf 。

1.变量计算

每个象限的风速，距离就不再说怎么画了，这里说下角度的计算。

两个经纬度之间的夹角（与正北方向的夹角）：

# 点1到点2方向沿逆时针方向转到正北方向的夹角
def LatLng2Degree(LatZero,LngZero,Lat,Lng):
    """
    Args:
        point p1(latA, lonA)
        point p2(latB, lonB)
    Returns:
        bearing between the two GPS points,
        default: the basis of heading direction is north
    """
    radLatA = math.radians(LatZero)
    radLonA = math.radians(LngZero)
    radLatB = math.radians(Lat)
    radLonB = math.radians(Lng)
    dLon = radLonB - radLonA
    y = math.sin(dLon) * math.cos(radLatB)
    x = math.cos(radLatA) * math.sin(radLatB) - math.sin(radLatA) * math.cos(radLatB) * math.cos(dLon)
    brng = math.degrees(math.atan2(y, x))
    brng = (brng + 360) % 360
    return brng

四个象限的距离，风速，角度一一对应。

2. 极坐标绘制ax.contourf

import numpy as np
import matplotlib.pyplot as plt

#-- Generate Data -----------------------------------------
# Using linspace so that the endpoint of 360 is included...
azimuths = np.radians(np.linspace(0, 360, 20))
zeniths = np.arange(0, 70, 10)

r, theta = np.meshgrid(zeniths, azimuths)
values = np.random.random((azimuths.size, zeniths.size))

#-- Plot... ------------------------------------------------
fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))
ax.contourf(theta, r, values)

plt.show()

首先，创建极坐标轴，绘制轮廓图。

fig, ax = subplots(subplot_kw=dict(projection='polar'))
cax = ax.contourf(theta, r, values, nlevels)

参数分别为theta:角度，r:半径，values:轮廓的实际值，nlevels：要绘制的轮廓图的层数。

这里theta， r， values 都需要是二维数组，需要通过列表转化为列。相当于需要先构造网格矩阵，对于坐标轴，一般使用

r, theta = np.meshgrid(zeniths, azimuths)

np.meshgrid函数去构造。

一般情况下，theta， r， values的对应关系是：

可以通过reshape将值转化为二维数组

这里可以使用：

theta = np.radians(azimuths)
zeniths = np.array(zeniths)

values = np.array(values)
values = values.reshape(len(azimuths), len(zeniths))

r, theta = np.meshgrid(zeniths, np.radians(azimuths))

但当theta， r， values一一对应时，需要插值实现。这里记得将角度转化为弧度。

r = np.array(r)
v = np.array(v)
angle = np.array(angle)
angle = np.radians(angle)
angle1, r1 = np.meshgrid(angle, r)  # r和angle构造网格矩阵
v_new = griddata((angle, r), v, (angle1, r1), method='linear')
cax = ax.contourf(angle1, r1, v_new, 20, cmap='jet')

这里python插值可以参考：python插值（scipy.interpolate模块的griddata和Rbf）

可以解释一下使用Rbf插值会报错的原因，是因为有的方位角相同，比如多行是0度，这样在使用Rbf插值的时候，要求矩阵可逆，则会出现报错的情况。

插值完以后，这里还有一个点，就是把0度调整为正北方向。

ax.set_theta_zero_location("N")
ax.set_theta_direction(-1)

运行结果：

可以看到四个象限的风速就用极坐标轮廓图描述出来了。

参考：
Python 画极坐标图
http://blog.rtwilson.com/producing-polar-contour-plots-with-matplotlib/