使用Matplotlib绘制3D曲面图：百万级数据点显示不全求助

从你给出的代码片段和描述来看，问题的根源其实很明显——你在构建网格的时候过度降采样了！

问题定位 #

先看你这段代码：

plotx,ploty, = np.meshgrid(np.linspace(np.min(CN_data),np.max(CN_data),10),
                           np.linspace(np.min(CC_data),np.max(CC_data),10))

这里你给linspace传了第三个参数10，意思是在CN和CC的取值范围内各只生成10个点，最终得到的是10×10的网格，自然只能显示少量数据点，完全浪费了你那200万组原始数据。

针对性解决方案 #

方案1：插值生成平滑的势能曲面（最适合论文展示） #

因为你的原始数据是离散的点，直接用meshgrid没法直接生成曲面，需要先做插值处理，把离散点映射到连续网格上。试试这段代码：

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

# 加载你的数据
with open("surfaceinfo.dat", "rb") as f: 
    CN_data = pickle.load(f) 
    CC_data = pickle.load(f) 
    energy = pickle.load(f)

# 定义网格密度，这里每个维度取200个点（可根据需求调整，比如300会更精细但运行稍慢）
grid_x, grid_y = np.meshgrid(
    np.linspace(np.min(CN_data), np.max(CN_data), 200),
    np.linspace(np.min(CC_data), np.max(CC_data), 200)
)

# 用三次插值把离散数据转成连续曲面（比线性插值更平滑）
grid_z = griddata((CN_data, CC_data), energy, (grid_x, grid_y), method='cubic')

# 绘制填充等高线图，适合展示势能曲面
plt.contourf(grid_x, grid_y, grid_z, cmap='viridis', levels=50)
plt.colorbar(label='Potential Energy')
plt.xlabel('CN Distance')
plt.ylabel('CC Distance')
plt.title('Potential Energy Surface')
plt.tight_layout()
plt.show()

小提示：如果三次插值运行太慢，可以换成method='linear'，速度更快但平滑度稍差；网格点数量别设得太大（比如超过500），不然内存和运行时间都会爆炸。

方案2：先验证数据完整性 #

有时候也可能是加载的数据本身有问题，比如CN_data、CC_data和energy的长度不匹配。先加一行代码确认：

print(f"CN数据长度: {len(CN_data)}, CC数据长度: {len(CC_data)}, 能量数据长度: {len(energy)}")

如果三者长度不一致，说明你存pickle文件的时候逻辑有问题，得回去检查数据存储的代码。

方案3：直接绘制离散散点图（展示原始数据分布） #

如果不想做插值，想直接展示200万原始点的分布，可以调整散点的大小和透明度，避免点重叠成一团：

import matplotlib.pyplot as plt
import numpy as np

with open("surfaceinfo.dat", "rb") as f: 
    CN_data = pickle.load(f) 
    CC_data = pickle.load(f) 
    energy = pickle.load(f)

plt.scatter(CN_data, CC_data, c=energy, s=0.5, alpha=0.3, cmap='viridis')
plt.colorbar(label='Potential Energy')
plt.xlabel('CN Distance')
plt.ylabel('CC Distance')
plt.title('Raw Potential Energy Data Distribution')
plt.tight_layout()
plt.show()

说明：s=0.5把点设得很小，alpha=0.3增加透明度，这样密集的点区域会颜色更深，能清晰看出势能的分布趋势。

内容的提问来源于stack exchange，提问作者Nicholas Kellas