MathGL — свободная кросс-платформенная библиотека для визуализации научных данных и построения двух- и трёхмерных графиков функций. Библиотека предоставляет набор инструментов для создания качественных графических представлений данных, включая построение кривых, поверхностей, контурных карт, векторных полей и графиков зависимости с возможностью настройки стилей, осей и аннотаций. MathGL ориентирована на использование в научных вычислениях, инженерных приложениях и при подготовке публикаций, обеспечивая как программный интерфейс, так и утилиты для командной генерации изображений.
Проект реализован с учётом портируемости и интеграции: библиотека поддерживает несколько языков программирования и рабочих сред, что позволяет применять её в разнообразных вычислительных стэках. В состав входят API для C++ и Python, а также привязки или совместимость с другими инструментами и языками, что облегчает её использование в существующих кодовых базах. MathGL развивается с акцентом на воспроизводимость визуализации и гибкость настройки вида графиков без зависимости от проприетарных компонентов.
- Двух- и трёхмерная визуализация: построение линий, точек, столбчатых диаграмм, поверхностей и объёмных представлений данных.
- Контурные и плотностные карты: создание изолиний, тепловых карт и визуализация распределений на плоскости.
- Векторные поля и стрелочные диаграммы: отображение направленных полей и потоков для анализа физических и инженерных задач.
- Гибкая настройка оформления: управление осями, шкалами, подписями, легендами, цветовыми палитрами и шрифтами для подготовки публикационных рисунков.
- Мультиплатформенность: поддержка основных операционных систем и возможность интеграции в приложения на нескольких языках программирования.
- Вывод в растровые и векторные форматы: генерация изображений высокого качества, пригодных для встраивания в документы и презентации.
- Интерактивность и скриптование: средства для управления построениями программно и в интерактивных сессиях, включая пакетные утилиты для автоматической генерации графиков.
- Производительность и масштабируемость: оптимизации для обработки больших массивов данных и эффективного рендеринга сложных отображений.
- Документация и примеры: примеры использования и руководства по API, демонстрирующие типичные сценарии визуализации научных данных.