如何基于无序x、y、z数据生成Numpy网格并绘制Matplotlib填充等高线图？

嘿，我明白你现在的困扰——用循环给mesh_z赋值虽然能搞定，但总觉得不够优雅，而且数据量大的话效率也不高对吧？其实有两种更高效简洁的方法，完全不用手动循环，一起来看看：

方法1：纯Numpy向量式操作（高效首选） #

利用np.unique的return_inverse参数，我们可以直接拿到原始数据在去重后数组中的位置索引，然后一步完成mesh_z的填充，全程没有循环：

import numpy as np
import matplotlib.pyplot as plt

x_data = [2, 2, 2, 3, 3, 3, 1, 1, 1, 4, 4, 4]
y_data = [16, 64, 32, 64, 32, 16, 16, 32, 64, 32, 16, 64]
z_data = [64, 31, 29, 78, 72, 63, 93, 40, 54, 35, 44, 3]

# 获取去重后的x/y值，以及原始值对应的索引位置
x_unique, x_idx = np.unique(x_data, return_inverse=True)
y_unique, y_idx = np.unique(y_data, return_inverse=True)

# 定义mesh的形状（去重后x的长度 × 去重后y的长度）
mesh_shape = (len(x_unique), len(y_unique))

# 直接通过索引映射填充mesh_z，不用循环！
mesh_z = np.zeros(mesh_shape)
mesh_z[x_idx, y_idx] = z_data

# 生成meshgrid时注意用indexing='ij'，和我们的索引维度对应
mesh_x, mesh_y = np.meshgrid(x_unique, y_unique, indexing='ij')

# 绘制填充等高线图
plt.contourf(mesh_x, mesh_y, mesh_z)
plt.colorbar()
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

这里的关键是return_inverse参数——它返回的是原始数组每个元素在去重后数组中的下标，这样我们就能直接用这些下标作为mesh_z的索引，一次性把所有z值填进去，比循环快得多，尤其是数据量大的时候。

方法2：用Pandas透视表（简洁易读） #

如果你熟悉Pandas，用pivot方法可以一行搞定数据的二维转换，代码可读性拉满：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

x_data = [2, 2, 2, 3, 3, 3, 1, 1, 1, 4, 4, 4]
y_data = [16, 64, 32, 64, 32, 16, 16, 32, 64, 32, 16, 64]
z_data = [64, 31, 29, 78, 72, 63, 93, 40, 54, 35, 44, 3]

# 把数据转成DataFrame
df = pd.DataFrame({'x': x_data, 'y': y_data, 'z': z_data})
# 透视表直接把x作为行、y作为列，z作为值自动填充
pivot_df = df.pivot(index='x', columns='y', values='z')

# 从透视表中提取对应的mesh数据
mesh_x, mesh_y = np.meshgrid(pivot_df.columns, pivot_df.index)
mesh_z = pivot_df.values

# 绘图
plt.contourf(mesh_x, mesh_y, mesh_z)
plt.colorbar()
plt.show()

Pandas会自动帮你处理去重、排列和填充，完全不用关心索引的问题，代码非常简洁，适合快速验证和小数据量场景。

方法对比 #

• Numpy方法：纯向量操作，没有Python级别的循环，效率最高，适合处理大规模数据；
• Pandas方法：代码更直观，易读性强，适合数据探索和小批量数据处理。

你的原始循环方法虽然可行，但每次循环都要执行一次布尔索引匹配，当数据量变大时，这种逐元素操作的效率会明显低于上面两种向量式方法。

内容的提问来源于stack exchange，提问作者Lenwo