Python中3D曲面图的凹边界数据插值与裁剪问题

1. 先做边界过滤，筛掉外部点 #

• 把左边界点整理成有序闭合多边形（按顺时针/逆时针排列，首尾要相连）。
• 用点-in-polygon算法判断每个原始x-y点是否在边界内：Python里直接用matplotlib.path.Path.contains_points()，或者shapely的Polygon.contains()都能搞定。
• 直接过滤掉边界外的点，只留内部点作为插值输入——这步是基础，避免外部数据干扰插值结果。

2. 选对插值方法，适配凹边界 #

• 别用全局插值（比如普通RBF），这类方法会把边界外的趋势拉进内部，肯定贴合不了凹边界。
• 优先用局部插值：
  • 反距离权重插值（IDW）：只取插值点周围的k个邻近内部点计算，能精准贴合局部形状。
  • 克里金插值：如果数据有空间相关性，选普通克里金，同时限定搜索范围在边界内。
• 或者用带掩码的网格插值：
  • 先在目标区域生成均匀网格，给网格点加掩码标记边界内区域。
  • 用scipy.interpolate.griddata选'cubic'或'linear'方法，但要先把原始数据过滤到边界内，再只对掩码内的网格点插值。

3. 绘制时的边界贴合技巧 #

• 插值完后，把边界外的网格点z值设为NaN，绘图库（matplotlib的plot_surface、Plotly的Surface）会自动忽略这些点，只显示边界内的曲面。
• 可以单独把边界点提出来，用plot3D画一条红色边界线，让曲面和边界的对应关系更直观。

示例代码（Python） #

import numpy as np
from matplotlib.path import Path
from scipy.interpolate import griddata
import matplotlib.pyplot as plt

# 模拟原始非均匀数据
x_original = np.random.rand(100)
y_original = np.random.rand(100)
z_original = np.sin(x_original * 2) + np.cos(y_original * 3)

# 左边界有序闭合点集
boundary_points = np.array([[0,0], [0,1], [0.3,0.8], [0.2,0.2], [0,0]])
path = Path(boundary_points)

# 过滤边界内的原始点
point_coords = np.column_stack((x_original, y_original))
mask = path.contains_points(point_coords)
x_in, y_in, z_in = x_original[mask], y_original[mask], z_original[mask]

# 生成目标网格并标记内部区域
xi, yi = np.meshgrid(np.linspace(0, 1, 50), np.linspace(0, 1, 50))
grid_coords = np.column_stack((xi.flatten(), yi.flatten()))
grid_mask = path.contains_points(grid_coords).reshape(xi.shape)

# 插值并将边界外设为NaN
zi = griddata((x_in, y_in), z_in, (xi, yi), method='cubic')
zi[~grid_mask] = np.nan

# 3D绘制
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(xi, yi, zi, cmap='viridis')
# 绘制边界线
ax.plot3D(boundary_points[:,0], boundary_points[:,1], np.zeros_like(boundary_points[:,0]), 'r-', linewidth=2)
plt.show()

内容的提问来源于stack exchange，提问作者Heusler