基于不规则XY网格的Matplotlib等高线图绘制问题求助

你的数据属于非结构化/不规则网格数据：每个y值对应一组独立的x和z数组，各组x的元素并不对齐，因此Matplotlib常规的contour/contourf要求的规则网格输入不适用。以下是两种可行的可视化方案：

方案1：直接使用三角剖分绘制（无需插值） #

Matplotlib的tricontourf专门用于处理非结构化数据，它会自动对散点进行三角剖分并填充等高线。

代码实现 #

import pickle
import numpy as np
import matplotlib.pyplot as plt

# 加载数据
with open('data.pkl', 'rb') as f:
    data_loaded = pickle.load(f)

x_list, y_arr, z_list = data_loaded['eigenenergies'], data_loaded['r_primes'], data_loaded['dc_intensities']

# 将数据扁平化：把每组x/z展开，对应重复y值
x_flat = np.concatenate(x_list)
y_flat = np.repeat(y_arr, [len(x_group) for x_group in x_list])
z_flat = np.concatenate(z_list)

# 绘制三角剖分填充等高线
num_levels = 1000
plt.tricontourf(
    x_flat, y_flat, z_flat,
    levels=np.linspace(z_flat.min(), z_flat.max(), num_levels),
    cmap='viridis'  # 可根据需求更换配色
)

# 添加标注
colorbar = plt.colorbar()
colorbar.set_label(r"Intensity")
plt.xlabel(r'$E \;\;[J]$')
plt.ylabel(r'$r^\prime \;[\AA]$')
plt.title('DC')

plt.show()

优缺点 #

• 优势：完全保留原始数据分布，无插值误差，计算速度快
• 劣势：若数据分布不均，边缘区域可能出现三角剖分的锯齿效果

方案2：插值到规则网格后绘制 #

如果需要平滑的规则网格可视化，可以用scipy的插值工具将非结构化数据映射到规则网格上，再用常规contourf绘制。

代码实现 #

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

# 加载数据（同方案1）
with open('data.pkl', 'rb') as f:
    data_loaded = pickle.load(f)

x_list, y_arr, z_list = data_loaded['eigenenergies'], data_loaded['r_primes'], data_loaded['dc_intensities']

# 扁平化数据
x_flat = np.concatenate(x_list)
y_flat = np.repeat(y_arr, [len(x_group) for x_group in x_list])
z_flat = np.concatenate(z_list)

# 定义规则网格范围与密度
x_min, x_max = x_flat.min(), x_flat.max()
y_min, y_max = y_arr.min(), y_arr.max()
xi = np.linspace(x_min, x_max, 1000)  # x方向取1000个点，可调整
yi = np.linspace(y_min, y_max, 100)   # y方向取100个点，可调整
xi_mesh, yi_mesh = np.meshgrid(xi, yi)

# 插值（可选method: 'nearest'/'linear'/'cubic'）
zi = griddata(
    (x_flat, y_flat), z_flat,
    (xi_mesh, yi_mesh),
    method='linear'  # 线性插值平衡速度与精度
)

# 绘制规则网格等高线
num_levels = 1000
plt.contourf(
    xi_mesh, yi_mesh, zi,
    levels=np.linspace(z_flat.min(), z_flat.max(), num_levels),
    cmap='viridis'
)

# 添加标注
colorbar = plt.colorbar()
colorbar.set_label(r"Intensity")
plt.xlabel(r'$E \;\;[J]$')
plt.ylabel(r'$r^\prime \;[\AA]$')
plt.title('DC (Interpolated to Regular Grid)')

plt.show()

插值方法说明 #

• nearest：最近邻插值，速度最快，结果最粗糙，无平滑效果
• linear：线性插值，速度适中，结果平滑度中等，无额外数据生成
• cubic：三次插值，速度最慢，结果最平滑，但会生成额外的中间值

内容的提问来源于stack exchange，提问作者AspiringPhysicist