Python热力图缺失点插值问题：sinc插值无效果求助

问题根源 #

你用imshow的interpolation="sinc"没效果，是因为这个参数只负责绘图时的像素渲染插值，不会修改底层热力图的数据。你的热力图空白区域是histogram2d生成的bin中没有数据点（值为0），高斯滤波后这些区域依然接近0，显示插值无法填补数据层面的缺失。

解决方案 #

要填补缺失点，必须从数据层面处理，以下是两种可行方案：

方案一：基于原始点的网格插值（推荐） #

用scipy.interpolate.griddata直接对原始坐标点插值生成完整热力图，替代histogram2d的统计方式，能更精准地补全空白区域：

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

# 读取CSV数据
x = []
y = []
plik_csv = "plik.csv"
with open(plik_csv, 'r') as csvfile:
    lines = csv.reader(csvfile, delimiter=';')
    for row in lines:
        x.append(float(row[0]))
        y.append(-float(row[1]))

x_list = np.array(x)
y_list = np.array(y)

# 生成目标网格（和原代码分辨率一致）
xi = np.linspace(-0.4, 0.7, 1000)
yi = np.linspace(-0.4, 0, 1000)
xi, yi = np.meshgrid(xi, yi)

# 提取有数据的bin作为插值源
heatmap, xedges, yedges = np.histogram2d(x_list, y_list, bins=1000)
x_centers = (xedges[:-1] + xedges[1:]) / 2
y_centers = (yedges[:-1] + yedges[1:]) / 2
x_centers, y_centers = np.meshgrid(x_centers, y_centers)

# 筛选非零数据点
mask = heatmap > 0
points = np.column_stack((x_centers[mask].flatten(), y_centers[mask].flatten()))
values = heatmap[mask].flatten()

# 用立方插值补全空白（可选linear/cubic/sinc）
img = griddata(points, values, (xi, yi), method='cubic')
# 高斯滤波平滑
img = gaussian_filter(img, sigma=40)

# 绘图
extent = [-0.4, 0.7, -0.4, 0]
plt.imshow(img, extent=extent, origin='lower', cmap="jet", interpolation="sinc")
plt.xlim([-0.4, 0.7])
plt.ylim([-0.4, 0])
for pos in ['right', 'top', 'bottom', 'left']:
    plt.gca().spines[pos].set_visible(False)
plt.colorbar()
plt.show()

方案二：补全histogram2d的0值 #

如果坚持用histogram2d统计，可以先把0值替换为邻域非零值的均值，再做高斯滤波：

import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import gaussian_filter, generic_filter
import csv

x = []
y = []
plik_csv = "plik.csv"
with open(plik_csv, 'r') as csvfile:
    lines = csv.reader(csvfile, delimiter=';')
    for row in lines:
        x.append(float(row[0]))
        y.append(-float(row[1]))

x_list=np.array(x)
y_list=np.array(y)

def myplot(x, y, s, bins=1000):
    heatmap, xedges, yedges = np.histogram2d(x, y, bins=bins)
    # 自定义滤波器：将0值替换为邻域非零值的均值
    def fill_zero(arr):
        non_zero_vals = arr[arr > 0]
        return np.mean(non_zero_vals) if len(non_zero_vals) > 0 else 0
    # 用3x3邻域处理0值
    heatmap = generic_filter(heatmap, fill_zero, size=3)
    heatmap = gaussian_filter(heatmap, sigma=s)
    extent = [min(x_list), max(x_list), min(y_list), max(y_list)]
    return heatmap.T, extent

sigma = 40
img, extent = myplot(x, y, sigma)
plt.imshow(img, extent=extent, origin='lower', cmap="jet", interpolation="sinc")
plt.xlim([-0.4,0.7])
plt.ylim([-0.4,0])
for pos in ['right', 'top', 'bottom', 'left']:
    plt.gca().spines[pos].set_visible(False)
plt.colorbar()
plt.show()

关键提醒 #

• imshow的interpolation参数仅作用于显示阶段，比如当图像分辨率低于屏幕时平滑像素，无法解决数据本身的缺失问题。
• 优先选择方案一，它基于原始坐标点插值，补全的结果更贴合真实数据分布。

内容的提问来源于stack exchange，提问作者inmueur