如何用Python的imshow实现不规则数据点的2D密度图？

我有一批(xi, yi, zi)形式的不规则数据点，想要绘制2D密度图。Mathematica中直接调用ListDensityPlot就能实现，但Python常用的imshow要求输入规则网格格式的数据。已经生成了对应数据，如何编写list_density_plot函数实现类似效果？

Mathematica示例代码 #

n = 100;
xs = RandomReal[1, n];
ys = RandomReal[1, n];
zs = xs + ys;
data = Table[{xs[[i]], ys[[i]], zs[[i]]}, {i, n}];
ListDensityPlot[data, PlotRange -> All, PlotLegends -> Automatic]

Python现有数据生成代码 #

import numpy as np

def f(x, y):
    return x+y

N = 100
xs = np.random.random(N)
ys = np.random.random(N)
zs = f(xs, ys)

data = [(xs[i], ys[i], zs[i]) for i in range(N)]
list_density_plot(data)  # 需要实现这个函数

解决方案：通过插值将不规则数据转为规则网格 #

核心思路是用插值算法把散点数据转换为规则网格数据，再用imshow或pcolormesh绘制密度图。以下是完整的list_density_plot实现：

实现代码 #

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

def list_density_plot(data, grid_size=100, cmap='viridis', show_points=False):
    # 提取x、y、z数据并转为numpy数组
    xs, ys, zs = zip(*data)
    xs = np.array(xs)
    ys = np.array(ys)
    zs = np.array(zs)
    
    # 创建覆盖数据范围的规则网格
    xi = np.linspace(xs.min(), xs.max(), grid_size)
    yi = np.linspace(ys.min(), ys.max(), grid_size)
    xi, yi = np.meshgrid(xi, yi)
    
    # 插值生成网格上的z值，可选插值方法：nearest/linear/cubic
    zi = griddata((xs, ys), zs, (xi, yi), method='cubic')
    
    # 绘制密度图
    plt.figure(figsize=(8, 6))
    im = plt.imshow(zi, 
                    extent=(xs.min(), xs.max(), ys.min(), ys.max()),
                    origin='lower',
                    cmap=cmap,
                    aspect='auto')
    
    # 添加颜色条和标签
    plt.colorbar(im, label='z值')
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title('不规则数据点密度图')
    
    # 可选：显示原始数据点
    if show_points:
        plt.scatter(xs, ys, c='white', s=15, alpha=0.6)
    
    plt.show()

调用示例 #

直接用你生成的data调用函数即可：

list_density_plot(data, grid_size=150, cmap='plasma', show_points=True)

插值方法说明 #

• nearest：最近邻插值，速度最快，但结果最粗糙，适合快速预览
• linear：线性插值，平滑度中等，平衡速度和效果
• cubic：三次样条插值，结果最平滑，适合需要精细效果的场景，计算耗时稍长

内容的提问来源于stack exchange，提问作者an offer can't refuse