将Pandas表格转换为矩阵生成网格：CO数据热力图绘制求助

别发愁，其实用Python的可视化工具就能轻松搞定你的需求！下面我给你两种实用方案，从简单到进阶，你可以根据自己的数据情况来选：

方案1：直接绘制散点图（最适合离散原始数据） #

如果你的数据是零散的采样点，不需要严格的网格对齐，直接用散点图就能把每个点的CO浓度用颜色直观体现出来。用matplotlib就能实现：

import matplotlib.pyplot as plt
import pandas as pd

# 假设你的数据集叫df，包含'Longitude'、'height'、'CO'三列
df = pd.DataFrame({
    'Longitude': [110, 110.5, 111, 110.2, 110.8],
    'height': [100, 200, 150, 250, 300],
    'CO': [0.5, 0.8, 0.6, 1.2, 0.9]
})

plt.figure(figsize=(10,6))
# 核心逻辑：x轴放经度，y轴放高度，颜色绑定CO值，选个顺眼的颜色映射
scatter = plt.scatter(df['Longitude'], df['height'], c=df['CO'], cmap='viridis', s=50)

# 加上颜色条和标签，让图更清晰
plt.colorbar(scatter, label='Average CO Concentration')
plt.xlabel('Longitude')
plt.ylabel('Height')
plt.title('CO Concentration Distribution (Height vs Longitude)')
plt.show()

这个方法不用额外处理数据，直接用原始采样点，每个点的位置和颜色都对应真实值，非常直观。

方案2：生成网格化热力图（适合连续网格展示需求） #

如果你想要类似地形图的连续网格热力图，就需要先把离散点插值成二维网格。这里会用到numpy和scipy的插值工具：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from scipy.interpolate import griddata

# 还是用示例数据集
df = pd.DataFrame({
    'Longitude': [110, 110.5, 111, 110.2, 110.8],
    'height': [100, 200, 150, 250, 300],
    'CO': [0.5, 0.8, 0.6, 1.2, 0.9]
})

# 1. 先定义网格的x、y轴范围，生成均匀网格
xi = np.linspace(df['Longitude'].min(), df['Longitude'].max(), 100)
yi = np.linspace(df['height'].min(), df['height'].max(), 100)
xi, yi = np.meshgrid(xi, yi)

# 2. 用插值方法把离散的CO值映射到网格上
# 可选插值方式：'linear'（线性）、'nearest'（最近邻）、'cubic'（三次），按需选
zi = griddata((df['Longitude'], df['height']), df['CO'], (xi, yi), method='linear')

# 3. 绘制热力图
plt.figure(figsize=(10,6))
plt.pcolormesh(xi, yi, zi, cmap='viridis', shading='auto')
plt.colorbar(label='Average CO Concentration')
plt.xlabel('Longitude')
plt.ylabel('Height')
plt.title('Gridded CO Concentration (Height vs Longitude)')
plt.show()

为什么你之前的方法容易出错？ #

你提到尝试用条件判断手动构建矩阵，其实完全没必要！上面的工具已经帮你处理了离散点到网格的转换，不需要自己写循环或条件判断填充矩阵——既容易出错又麻烦。

如果你的数据本身就是规则网格（比如每个经度和高度的组合都有对应值），那更简单，直接用pivot转成二维矩阵，再用seaborn的热力图绘制：

import seaborn as sns

# 假设数据是规则网格结构
grid_df = df.pivot(index='height', columns='Longitude', values='CO')

plt.figure(figsize=(10,6))
sns.heatmap(grid_df, cmap='viridis', annot=True, fmt='.1f')
plt.xlabel('Longitude')
plt.ylabel('Height')
plt.title('CO Concentration Heatmap')
plt.show()

你可以根据自己的数据类型（离散点/规则网格）选对应的方法，试试看应该就能解决问题啦！

内容的提问来源于stack exchange，提问作者Joe