如何用Python绘制含3e5数据点的三个1D NumPy数组的3D曲面图？

针对3个包含约3e5个数据点的1D NumPy数组（XX、YY为坐标，ZZ为对应高度），需要分结构化网格数据和非结构化散乱数据两种场景处理，以下是具体实现方案：

一、如果是结构化网格数据（点按规则网格排列） #

如果XX和YY是规则网格（比如由np.meshgrid生成后扁平化），可以先将数据恢复为2D数组，再用plot_surface绘制，这种方式效率最高：

实现步骤 #

1. 提取唯一的x、y坐标值，确定网格维度
2. 将XX、YY、ZZ重塑为2D数组
3. 绘制3D曲面

代码示例 #

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 模拟结构化数据（实际使用时替换为你的XX、YY、ZZ）
x = np.linspace(-10, 10, 550)
y = np.linspace(-10, 10, 550)
X, Y = np.meshgrid(x, y)
XX = X.ravel()
YY = Y.ravel()
ZZ = np.sin(np.sqrt(X**2 + Y**2)).ravel()

# 恢复2D网格
unique_x = np.unique(XX)
unique_y = np.unique(YY)
nx, ny = len(unique_x), len(unique_y)

# 重塑数组（注意：若原始网格是meshgrid生成的，需确保维度匹配）
X_2d = XX.reshape(nx, ny)
Y_2d = YY.reshape(nx, ny)
Z_2d = ZZ.reshape(nx, ny)

# 绘制3D曲面
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(X_2d, Y_2d, Z_2d, cmap='viridis', linewidth=0, antialiased=False)

fig.colorbar(surf, shrink=0.5, aspect=5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

二、如果是非结构化散乱数据（点无规则排列） #

散乱点无法直接用plot_surface，可选择两种方案：

方案1：使用三角剖分绘制（plot_trisurf） #

直接基于散乱点生成三角网格绘制，但3e5个点的三角化计算量较大，可能需要较长时间：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 模拟散乱数据（替换为你的XX、YY、ZZ）
np.random.seed(42)
XX = np.random.uniform(-10, 10, 300000)
YY = np.random.uniform(-10, 10, 300000)
ZZ = np.sin(np.sqrt(XX**2 + YY**2))

# 绘制三角曲面
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
# 可通过设置linewidth=0减少渲染压力
trisurf = ax.plot_trisurf(XX, YY, ZZ, cmap='viridis', linewidth=0, antialiased=False)

fig.colorbar(trisurf, shrink=0.5, aspect=5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

方案2：插值为规则网格后绘制 #

用scipy.interpolate.griddata将散乱点插值到规则网格，再用plot_surface，这种方式渲染更快，适合大规模数据：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from scipy.interpolate import griddata

# 模拟散乱数据
np.random.seed(42)
XX = np.random.uniform(-10, 10, 300000)
YY = np.random.uniform(-10, 10, 300000)
ZZ = np.sin(np.sqrt(XX**2 + YY**2))

# 创建规则网格（可调整分辨率平衡精度和速度）
grid_x, grid_y = np.meshgrid(np.linspace(XX.min(), XX.max(), 500),
                             np.linspace(YY.min(), YY.max(), 500))

# 插值（method可选'linear'/'cubic'/'nearest'，nearest最快）
grid_z = griddata((XX, YY), ZZ, (grid_x, grid_y), method='nearest')

# 绘制曲面
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(grid_x, grid_y, grid_z, cmap='viridis', linewidth=0, antialiased=False)

fig.colorbar(surf, shrink=0.5, aspect=5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

三、性能优化建议 #

• 若不需要超高分辨率，可对原始数据采样降维，比如用np.random.choice选取部分点：

  sample_idx = np.random.choice(len(XX), 50000, replace=False)
  XX_sample = XX[sample_idx]
  YY_sample = YY[sample_idx]
  ZZ_sample = ZZ[sample_idx]
  

• 对于超大规模数据，可考虑使用mayavi库，其渲染性能优于matplotlib，适合处理百万级点的3D可视化。

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