好的，让我们逐步了解如何处理稀疏空间点、三维插值加密并最终绘制可交互的3D渲染图。 ### 稀疏空间点及其表示 **稀疏空间点**是指在一个较大空间范围内分布较稀疏的数据点。每个数据点可以有对应的数值，通常用坐标 `(x, y, z)` 和相应的值 `v` 来表示。如果某些位置没有有效的测量值，则可以用特殊标记如 `NaN` 表示无效值或缺失值。 ```python import numpy as np import pandas as pd # 示例稀疏空间点及对应数值 points = np.array([[0.5, 0.5, 0.5], [1.5, 2.5, 1.5], [4.5, 6.5, 7.5]]) values = np.array([10., 20., 30.]) df_sparse_points = pd.DataFrame(points, columns=['X', 'Y', 'Z']) df_sparse_points['Value'] = values print(df_sparse_points) ``` ### 插值加密与矩阵生成 为了对上述稀疏点进行更精细的操作（例如绘图），我们需要通过插值得到更多密集的数据点形成网格化后的三维数组。这里我们指定新的矩阵尺寸大小来进行加密： ```python from scipy.interpolate import griddata import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D def interpolate_to_grid(xyz, v, new_shape=(50, 50, 50)): x_min, y_min, z_min = xyz.min(axis=0) - 0.5 x_max, y_max, z_max = xyz.max(axis=0) + 0.5 # 创建目标网格坐标系 xi = np.linspace(x_min, x_max, num=new_shape[0]) yi = np.linspace(y_min, y_max, num=new_shape[1]) zi = np.linspace(z_min, z_max, num=new_shape[2]) XI, YI, ZI = np.meshgrid(xi, yi, zi, indexing='ij') XYZi = np.stack((XI.flatten(), YI.flatten(), ZI.flatten()), axis=-1) VI = griddata(xyz, v, tuple(XYZi.T), method='linear') # 使用线性插值法 Vi_reshaped = VI.reshape(new_shape).transpose() return Xi, Yi, Zi, Vi_reshaped Xi, Yi, Zi, V_interpolated = interpolate_to_grid(points, values, (20, 20, 20)) V_interpolated[V_interpolated == None] = np.nan # 将无法插值的位置设为 NaN print("Interpolated Grid Shape:", V_interpolated.shape) ``` ### 可交互式3D图表展示 最后一步就是利用 Matplotlib 或 Plotly 库创建一个能够互动查看效果较好的可视化图形了: #### 使用Matplotlib ```python fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(111, projection='3d') scat = ax.scatter( points[:, 0], points[:, 1], points[:, 2], c=values, cmap="viridis", s=100, alpha=1., label="原始点" ) slice_idx = int(V_interpolated.shape[2]/2) # 获取中间层面索引作为切片显示部分区域结果 surf = ax.plot_surface( Xi[..., slice_idx], Yi[..., slice_idx], Zi[..., slice_idx], facecolors=plt.cm.viridis(normalize(V_interpolated)[..., slice_idx]), linewidth=0, antialiased=False, shade=True, alpha=.9, rstride=1, cstride=1 ) plt.colorbar(scat,label='值域') plt.title('带插值面层的离散样本点视图') plt.show() ``` #### 使用Plotly (推荐用于更好的交互体验) 首先需要安装 plotly 包 (`pip install plotly`) : ```bash ! pip install plotly --upgrade ``` 然后构建图表: ```python import plotly.graph_objects as go trace_orig = go.Scatter3d( x=df_sparse_points.X.values, y=df_sparse_points.Y.values, z=df_sparse_points.Z.values, mode='markers', marker=dict(size=5,color=df_sparse_points.Value), name="原始采样点") data = [trace_orig] for i in range(slice_idx): trace_surf = go.Surface( x=Xi[i,...].T,y=Yi[i,...].T,z=Zi[i,...].T,surfacecolor=np.ma.masked_invalid(V_interpolated[i]).T,cmin=min(values),cmax=max(values)) data.append(trace_surf) layout = go.Layout(scene=dict(aspectratio=dict(x=1,y=1,z=1))) fig = go.Figure(data=data, layout=layout) fig.update_layout(title_text="含插值表面的离散样本点", scene_camera_eye=dict(x=1.87, y=0.88, z=-0.64)) fig.show(renderer="browser") ``` 这将打开浏览器窗口呈现包含所有信息在内的动态 HTML 文件，在其中你可以轻松旋转视角观察整个场景，并放大缩小来探索细节特征！