基于3个向量生成pcolor图：构建对应v(x,y)向量遇阻求助

别担心，我来一步步帮你搞定这个问题！要生成和X、Y网格对应的v(x,y)二维数组，主要分两种情况——你的坐标是规则网格还是非规则散点，下面分别给你示例代码：

情况1：X、Y是规则网格坐标 #

如果你的df里的X、Y是规则排列的（比如X是按行重复的n个唯一值，Y是按列重复的m个唯一值），那直接提取唯一值生成网格，再把V值reshape成对应维度就行：

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

# 假设你的df是规则网格结构（示例）
# df = pd.DataFrame({'X': [0,0,0,1,1,1,2,2,2], 'Y': [0,1,2,0,1,2,0,1,2], 'V': [1,2,3,4,5,6,7,8,9]})

# 1. 提取X、Y的唯一值，生成网格
x_unique = np.unique(df['X'])
y_unique = np.unique(df['Y'])
X_grid, Y_grid = np.meshgrid(x_unique, y_unique)

# 2. 把V值reshape成和网格对应的二维数组
# 注意：reshape的维度要和meshgrid匹配——Y的唯一值数量是行数，X是列数
V_grid = df['V'].values.reshape(len(y_unique), len(x_unique))

# 3. 绘制pcolor图
plt.pcolor(X_grid, Y_grid, V_grid, cmap='viridis')
plt.colorbar(label='V Value')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Pcolor Plot of V(x,y)')
plt.show()

情况2：X、Y是非规则散点坐标 #

如果你的X、Y是随机散点（没有规则排列），那就需要用插值方法把散点的V值映射到规则网格上，推荐用scipy.interpolate.griddata：

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

# 假设你的df是散点数据（示例）
# df = pd.DataFrame({'X': np.random.rand(50), 'Y': np.random.rand(50), 'V': np.random.rand(50)*10})

# 1. 提取散点坐标和V值
points = df[['X', 'Y']].values
values = df['V'].values

# 2. 创建规则网格（可自定义密度，比如100x100）
xi = np.linspace(df['X'].min(), df['X'].max(), 100)
yi = np.linspace(df['Y'].min(), df['Y'].max(), 100)
X_grid, Y_grid = np.meshgrid(xi, yi)

# 3. 插值生成V的网格数据
# method可选：'linear'线性插值，'nearest'最近邻，'cubic'三次插值
V_grid = griddata(points, values, (X_grid, Y_grid), method='linear')

# 4. 绘制pcolor图
plt.pcolor(X_grid, Y_grid, V_grid, cmap='viridis')
plt.colorbar(label='V Value')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Interpolated Pcolor Plot of V(x,y)')
plt.show()

小提示 #

• 如果你的df里没有直接的V列，那你需要先根据X、Y的函数关系计算V值，比如df['V'] = df['X']**2 + df['Y']**2，再按上面的步骤处理就行。
• 注意meshgrid的维度和V_grid的维度必须完全匹配，否则绘图会报错哦！

内容的提问来源于stack exchange，提问作者Maxime