Matplotlib极坐标绘制环形区域浓度常数异常问题

问题背景 #

用欧拉显式方法计算极坐标下的简单非稳态扩散，r范围为1到10，步长dr=0.5。由于无平流作用，浓度仅随r变化（即C(r,t)），需要绘制极坐标图。

计算得到的最终结果 #

r = [ 1.   1.5  2.   2.5  3.   3.5  4.   4.5  5.   5.5  6.   6.5  7.   7.5
  8.   8.5  9.   9.5 10. ]

C = [3.0, 2.9999999999971694, 2.999999999995282, 2.9999999999940608, 2.9999999999932836, 2.9999999999928395, 2.9999999999926175, 2.9999999999925064, 2.9999999999926175, 2.9999999999928395, 2.9999999999931726, 2.9999999999937277, 2.999999999994394, 2.999999999995171, 2.999999999995948, 2.9999999999969473, 2.9999999999979465, 2.9999999999989457, 3.0]

当前绘图代码 #

theta = np.linspace(0, 2 * np.pi, 360)  # Generate theta values
R, Theta = np.meshgrid(r, theta)
conc = np.array([C]*len(theta)).transpose() # C is constant over theta

fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))
ax.contourf(theta, r, conc)

plt.show()

异常现象 #

绘图结果异常：浓度显示范围仅为r=0到≈3.5，以及≈5.5到10，但实际计算的r范围是1到10，每个r都对应有效浓度值。

问题原因与解决方法 #

核心原因 #

你的浓度值变化极小（仅在3附近波动，差值约为1e-12量级），而contourf默认的自动分层逻辑无法识别这么细微的差异，导致部分区域的浓度被归为同一层级，出现视觉上的“断层”。

解决方案1：手动设置分层级别 #

手动生成足够多的分层区间，让绘图能捕捉到微小的浓度变化：

import numpy as np
import matplotlib.pyplot as plt

r = np.array([1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5, 8.0, 8.5, 9.0, 9.5, 10.0])
C = np.array([3.0, 2.9999999999971694, 2.999999999995282, 2.9999999999940608, 2.9999999999932836, 2.9999999999928395, 2.9999999999926175, 2.9999999999925064, 2.9999999999926175, 2.9999999999928395, 2.9999999999931726, 2.9999999999937277, 2.999999999994394, 2.999999999995171, 2.999999999995948, 2.9999999999969473, 2.9999999999979465, 2.9999999999989457, 3.0])

theta = np.linspace(0, 2 * np.pi, 360)
conc = np.tile(C, (len(theta), 1)).T  # 等价于你的transpose写法，更简洁

fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))
# 手动生成分层，覆盖浓度的最小到最大值，生成20个层级
levels = np.linspace(C.min(), C.max(), 20)
ax.contourf(theta, r, conc, levels=levels)

# 添加颜色条查看浓度对应关系
plt.colorbar()
plt.show()

解决方案2：改用pcolormesh绘图 #

pcolormesh更适合处理这种网格规则、数值变化细微的场景，不需要手动设置分层：

import numpy as np
import matplotlib.pyplot as plt

r = np.array([1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5, 8.0, 8.5, 9.0, 9.5, 10.0])
C = np.array([3.0, 2.9999999999971694, 2.999999999995282, 2.9999999999940608, 2.9999999999932836, 2.9999999999928395, 2.9999999999926175, 2.9999999999925064, 2.9999999999926175, 2.9999999999928395, 2.9999999999931726, 2.9999999999937277, 2.999999999994394, 2.999999999995171, 2.999999999995948, 2.9999999999969473, 2.9999999999979465, 2.9999999999989457, 3.0])

theta = np.linspace(0, 2 * np.pi, 360)
# 生成极坐标网格
R, Theta = np.meshgrid(r, theta)
# 扩展C到theta维度
conc = np.tile(C, (len(theta), 1))

fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))
ax.pcolormesh(Theta, R, conc)

plt.colorbar()
plt.show()

额外优化 #

如果想隐藏r=0到1之间的空白区域，可以设置坐标轴的r范围：

ax.set_ylim(bottom=1)

内容的提问来源于stack exchange，提问作者aleste