求助：如何用NumPy和Matplotlib实现可变网格大小的填充网格绘图

嘿，这个需求用Matplotlib和NumPy的几个工具就能轻松实现！我来给你拆解具体做法和推荐的函数：

你的需求本质是把x-y平面划分为指定大小的正方形网格，然后标记出包含函数点的网格块。核心步骤是：

1. 确定网格的大小和范围
2. 统计每个网格内是否存在函数点
3. 将统计结果可视化成带颜色的网格

NumPy 工具 #

• np.histogram2d()：这是实现需求的核心！它能自动统计二维平面中每个网格区间内的数据点数量，直接输出一个二维数组，标记每个网格的点数（只要点数>0就说明该网格需要变色）。
• np.arange() / np.linspace()：用来生成网格的边界坐标，通过调整步长就能轻松控制网格大小（比如步长设为h，网格边长就是h）。
• np.meshgrid()：如果需要生成网格的中心坐标或者做更复杂的网格操作，这个函数能快速生成二维网格的坐标矩阵。

Matplotlib 工具 #

• plt.pcolormesh()：最适合绘制这种网格颜色图，它能直接接收histogram2d的统计结果，自动填充网格颜色，还能添加网格线、自定义配色，效率极高。
• plt.Rectangle()：如果需要更精细的自定义（比如给不同点数的网格用不同颜色、添加边框样式），可以用这个补丁类手动绘制每个正方形网格块。

下面是一个可直接运行的例子，以带噪声的正弦函数为例，支持调整网格大小：

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成你的函数数据（这里用带噪声的正弦函数模拟）
x = np.linspace(0, 10, 1000)  # 1000个x采样点
y = np.sin(x) + np.random.normal(0, 0.2, size=len(x))  # 模拟带噪声的函数输出

# 2. 设置网格参数：调整h即可改变网格大小
grid_size = 0.5  # 正方形网格的边长，可自由修改
x_min, x_max = x.min(), x.max()
y_min, y_max = y.min(), y.max()

# 3. 生成网格的边界坐标（确保覆盖整个数据范围）
x_bins = np.arange(x_min, x_max + grid_size, grid_size)
y_bins = np.arange(y_min, y_max + grid_size, grid_size)

# 4. 统计每个网格内的点数
counts, _, _ = np.histogram2d(x, y, bins=[x_bins, y_bins])

# 5. 绘制带颜色的网格图
plt.figure(figsize=(8, 6))
# 用counts.T > 0生成布尔矩阵：有数据点的网格为True，否则为False
plt.pcolormesh(x_bins, y_bins, counts.T > 0, 
               cmap='Blues',  # 自定义配色，比如换成'Reds'
               edgecolors='white', linewidth=0.5)  # 添加白色网格线，更清晰

# 可选：叠加原始函数点作为对比
plt.plot(x, y, 'k.', markersize=2, alpha=0.3)

# 美化图表
plt.xlabel('x')
plt.ylabel('y')
plt.title(f'Grid Size = {grid_size}')
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.colorbar(label='Contains Data Points')
plt.show()

如果需要更灵活的自定义（比如给不同点数的网格分配不同颜色），可以用plt.Rectangle逐个绘制网格块：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 1000)
y = np.sin(x) + np.random.normal(0, 0.2, size=len(x))
grid_size = 0.5
x_min, x_max = x.min(), x.max()
y_min, y_max = y.min(), y.max()
x_bins = np.arange(x_min, x_max + grid_size, grid_size)
y_bins = np.arange(y_min, y_max + grid_size, grid_size)
counts, _, _ = np.histogram2d(x, y, bins=[x_bins, y_bins])

fig, ax = plt.subplots(figsize=(8, 6))
# 先绘制原始点
ax.plot(x, y, 'k.', markersize=2, alpha=0.3)

# 遍历每个网格块，根据点数设置颜色
for i in range(len(x_bins) - 1):
    for j in range(len(y_bins) - 1):
        if counts[i, j] > 0:
            # 自定义颜色：点数越多颜色越深
            color = plt.cm.Blues(counts[i, j] / counts.max())
            rect = plt.Rectangle((x_bins[i], y_bins[j]), grid_size, grid_size,
                                facecolor=color, edgecolor='white')
            ax.add_patch(rect)

ax.set_xlim(x_min, x_max)
ax.set_ylim(y_min, y_max)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Custom Grid Drawing')
plt.show()

• 调整grid_size变量就能直接改变网格大小，完全满足你“支持网格大小可变”的需求。
• counts.T的转置是因为np.histogram2d的输出维度顺序和plt.pcolormesh的输入要求略有不同，转置后才能正确对应网格位置。
• 配色方案可以通过cmap参数自由切换，Matplotlib内置了几十种配色，比如'Reds'、'Greens'、'viridis'等。

内容的提问来源于stack exchange，提问作者Tim