基于自由分布3D点数据生成2D截面图的Python技术求助

数据说明 #

原始测量数据为无规则分布的(x,y,z)散点，存储在Pandas DataFrame中：

Node [-]   x [m]   y [m]    eps_xx [-]
0            1  0.0096  0.0089  8.310000e-07
1            2  0.0000  0.0089  1.317000e-07
2            3  0.0000  0.0000  8.104000e-07
3            4  0.0096  0.0000  2.465000e-06
4            5  0.0192  0.0000  6.276000e-06
...        ...     ...     ...           ...
2314      2315  0.7700  0.1333 -7.269000e-06
2315      2316  0.7700  0.1426 -6.697000e-06
2316      2317  0.7700  0.1499 -3.587000e-06
2317      2318  0.7700  0.1520  6.296000e-07
2318      2319  0.7700  0.1600 -2.000000e-06

现有散点图代码 #

import pandas as pd
import plotly.graph_objects as go

# 读取数据
df = pd.read_excel('Data.xlsx', sheet_name="Step_5")

# 提取坐标与测量值
x = df['x [m]'].values
y = df['y [m]'].values
z = df['eps_xx [-]'].values

# 绘制3D散点图
fig = go.Figure()
fig.add_trace(go.Scatter3d(x=x, y=y, z=z, mode='markers', marker=dict(size=3)))
fig.update_layout(scene=dict(xaxis_title='x [m]', yaxis_title='y [m]', zaxis_title='eps_xx [-]'))
fig.show()

针对问题的解决方案 #

1. 生成3D曲面图（基于插值） #

Plotly的go.Surface需要规则网格数据，因此先用线性插值将散点转换为规则网格：

import numpy as np
from scipy.interpolate import griddata

# 1. 生成规则网格
# 定义网格分辨率（数值越小，曲面越精细）
grid_res = 0.01
# 获取x、y的取值范围
x_min, x_max = x.min(), x.max()
y_min, y_max = y.min(), y.max()
# 生成网格点
xi = np.arange(x_min, x_max, grid_res)
yi = np.arange(y_min, y_max, grid_res)
xi, yi = np.meshgrid(xi, yi)

# 2. 线性插值得到网格上的z值
zi = griddata((x, y), z, (xi, yi), method='linear')

# 3. 绘制3D曲面图
fig = go.Figure()
# 添加曲面层
fig.add_trace(go.Surface(x=xi, y=yi, z=zi, colorscale='Viridis', opacity=0.8))
# 叠加原始散点（可选，用于对比）
fig.add_trace(go.Scatter3d(x=x, y=y, z=z, mode='markers', marker=dict(size=3, color='black')))
fig.update_layout(scene=dict(xaxis_title='x [m]', yaxis_title='y [m]', zaxis_title='eps_xx [-]'))
fig.show()

2. 生成指定垂直平面的截面图 #

以x=0.5m的垂直平面为例，提取该平面数据并绘制2D图：

# 1. 提取指定截面的数据
target_x = 0.5
# 找到最接近目标x值的网格列
x_col_idx = np.argmin(np.abs(xi[0] - target_x))
# 获取该截面的y和z值
section_y = yi[:, x_col_idx]
section_z = zi[:, x_col_idx]
# 过滤插值产生的NaN无效值
valid_mask = ~np.isnan(section_z)
section_y = section_y[valid_mask]
section_z = section_z[valid_mask]

# 2. 保存截面数据到Pandas DataFrame
section_df = pd.DataFrame({
    'y [m]': section_y,
    'eps_xx [-]': section_z
})
# 可选：保存到本地Excel
section_df.to_excel('section_data.xlsx', index=False)

# 3. 绘制2D截面图
fig = go.Figure()
fig.add_trace(go.Scatter(x=section_y, y=section_z, mode='lines+markers'))
fig.update_layout(
    title=f'截面图 (x={target_x}m)',
    xaxis_title='y [m]',
    yaxis_title='eps_xx [-]'
)
fig.show()

3. 其他截面类型（如固定y值） #

若需要沿固定y值的垂直截面，修改索引提取逻辑即可：

target_y = 0.1
# 找到最接近目标y值的网格行
y_row_idx = np.argmin(np.abs(yi[:,0] - target_y))
# 获取该截面的x和z值
section_x = xi[y_row_idx, :]
section_z = zi[y_row_idx, :]
# 过滤无效值
valid_mask = ~np.isnan(section_z)
section_x = section_x[valid_mask]
section_z = section_z[valid_mask]

# 保存到DataFrame
section_df = pd.DataFrame({
    'x [m]': section_x,
    'eps_xx [-]': section_z
})

内容的提问来源于stack exchange，提问作者Thanksalot