我有一组由XYZ坐标组成的数据集，可以渲染成3D柱状图，效果如下：

我现在最核心的问题是：怎么在这个任意形状的体积内生成用户指定数量（记为X）的采样点，同时保证这些点能尽可能好地代表整个体积的特征？

我已经尝试过两种方法，但都遇到了瓶颈：

• 一开始我想用拉丁超立方采样，但这方法从名字就能看出来，是针对立方体设计空间的，完全适配不了我这种任意形状的体积。
• 之后我又尝试了一种针对n维椭球生成随机点的方法，本来盼着能调整一下适配任意形状，但折腾了半天也没成功。

另外还有个小困扰：我对3D直方图的展示方式不太满意，更想呈现一个“规整”的体积。试过用griddata，但它默认需要立方体基底，也不符合我的需求。

编辑补充：
后来我成功把数据绘成了3D曲面，这个展示效果我觉得够用了，用到的代码如下：

import numpy as np
import matplotlib.pyplot as plt

data_2d = [
    [2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 0],
    [0, 0, 6, 8, 10, 12, 14, 16, 18, 20, 22],
    [0, 0, 0, 0, 0, 12, 14, 16, 18, 20, 22],
    [0, 0, 0, 0, 0, 12, 14, 16, 18, 20, 0],
    [0, 0, 0, 0, 0, 0, 14, 16, 18, 0, 0],
    [0, 0, 0, 0, 0, 0, 14, 16, 18, 0, 0],
    [0, 0, 0, 0, 0, 0, 14, 16, 18, 0, 0],
    [0, 0, 0, 0, 0, 0, 14, 16, 18, 0, 0],
]
# data_2d: - rows are Hs from 1 to 8 (8 rows)
#          - columns are Tp from 2 to 22 (10 columns)
#          - content is the wind speed from 2 to 22

data_array = np.array(data_2d)
x_data, y_data = np.meshgrid(np.linspace(2, 22, 11), np.linspace(1, 8, 8))


ax = plt.axes(projection="3d")
ax.plot_surface(x_data, y_data, data_array, cmap="viridis", edgecolor="black")
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.set_zlabel("z")
plt.show()

对应的3D曲面效果如下：

备注：内容来源于stack exchange，提问作者Ryderc