Matplotlib散点图绘制异常排查：为何高于阈值的点呈现矩形而非预期圆形？

问题原因分析 #

咱们来拆解一下为什么会得到矩形分布的点——核心问题出在循环里的索引取值错误！

你通过meshgrid生成的X和Y都是100x100的二维数组：

• X[i]对应的是第i行的所有x值（一整行都是同一个x坐标）
• Y[j]对应的是第j列的所有y值（一整列都是同一个y坐标）

当判断Z[i][j] > eps成立时，你把一整行的x值和一整列的y值都追加到了结果数组里，这就导致最终的点集覆盖了一个矩形区域，而不是符合高斯函数等高线的圆形。

修复方案1：修正循环索引取值 #

只需要把循环里的X[i]和Y[j]改成X[i][j]和Y[i][j]，就能正确提取单个点的坐标：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
eps = 0.8
X = np.linspace(-1, 1, 100)
Y = np.linspace(-1, 1, 100)
X, Y = np.meshgrid(X, Y)
Z = np.exp(-X**2 - Y**2)

data_zero_x = np.array([])
data_zero_y = np.array([])
for i in range(len(X)):
    for j in range(len(Y)):
        if Z[i][j] > eps:
            # 提取二维数组中对应位置的单个元素
            data_zero_x = np.append(data_zero_x, X[i][j])
            data_zero_y = np.append(data_zero_y, Y[i][j])

plt.scatter(data_zero_x, data_zero_y)
plt.show()

更优方案2：使用Numpy向量化操作（推荐） #

嵌套循环在处理大数据时效率很低，Numpy的向量化操作可以帮我们更简洁高效地完成筛选：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
eps = 0.8
X = np.linspace(-1, 1, 100)
Y = np.linspace(-1, 1, 100)
X, Y = np.meshgrid(X, Y)
Z = np.exp(-X**2 - Y**2)

# 创建布尔掩码，标记所有满足阈值条件的位置
mask = Z > eps
# 提取掩码对应的x、y坐标，用ravel()将二维数组展平为一维
filtered_x = X[mask].ravel()
filtered_y = Y[mask].ravel()

plt.scatter(filtered_x, filtered_y)
plt.show()

这种方式完全避开了循环，利用Numpy的广播机制和数组索引特性，代码更简洁，运行速度也会快很多（尤其是当样本量增大时，性能提升会非常明显）。

内容的提问来源于stack exchange，提问作者JoeGlas