本文档旨在指导读者使用 Matplotlib 库，结合 SciPy 的插值方法，根据稀疏的温度数据绘制圆形热力图。我们将详细介绍如何通过添加边界数据点来改善插值效果，避免出现热力图呈现为八边形的问题，最终生成更符合预期的圆形温度分布图。
1. 准备工作
首先，确保已经安装了以下必要的 Python 库：
- pandas: 用于数据读取和处理。
- numpy: 用于数值计算。
- matplotlib: 用于绘图。
- scipy: 用于数据插值。
可以使用 pip 命令进行安装：
pip install pandas numpy matplotlib scipy
2. 数据准备
假设我们有一个名为 tcdata.csv 的 CSV 文件，其中包含 x 坐标、y 坐标和对应的温度值。为了获得更准确的圆形热力图，我们需要在数据集中添加四个角点的数据。以下是一个示例 tcdata.csv 文件的内容：
x,y,temp -140,0,397.32 -100,90,396.76 -100,-90,396.34 -70,0,396 -50,44,395.34 -50,-44,395.57 0,140,396.37 0,70,395.82 0,0,393.52 0,-70,393.52 0,-140,395.61 50,44,395.82 50,-44,394.08 70,0,394.62 100,90,395.79 100,-90,395.25 140,0,396.12 -150,-150,398 150,150,398 150,-150,398 -150,150,398
注意最后四行，它们代表了热力图的四个角点，并赋予了相应的温度值（这里假设为 398）。
3. 代码实现
以下是使用 Matplotlib 绘制圆形温度热力图的 Python 代码：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata
from matplotlib.colors import LinearSegmentedColormap
# Load temperature data from CSV file
file_path = 'tcdata.csv'
data = pd.read_csv(file_path)
# Extract coordinates and temperatures from the data
x = data['x']
y = data['y']
temperatures = data['temp']
# Set the radius for the circle
radius = 150
# Create a grid for interpolation
grid_x, grid_y = np.mgrid[-radius:radius:300j, -radius:radius:300j]
# Interpolate the temperature data over the grid
grid_temperatures = griddata((x, y), temperatures, (grid_x, grid_y), method='cubic')
# Create a circular mask to limit the heatmap within the circle
mask = np.sqrt(grid_x**2 + grid_y**2) > radius
grid_temperatures = np.ma.masked_where(mask, grid_temperatures)
# Create a custom color map: blue for the lowest, red for the highest, and green for intermediate temperatures
cmap = LinearSegmentedColormap.from_list('custom_heatmap', ['blue', 'green', 'red'], N=256)
# Plot the heatmap
plt.figure(figsize=(8, 6))
plt.imshow(grid_temperatures.T, extent=(-radius, radius, -radius, radius), origin='lower', cmap=cmap)
plt.colorbar(label='Temperature (°C)')
# Set the title
plt.title('Circular Temperature Distribution Heatmap')
# Disable the grid
plt.grid(False)
# Display the plot
plt.show()代码解释：
- 导入必要的库: 导入 pandas, numpy, matplotlib 和 scipy 库。
- 加载数据: 使用 pandas 从 CSV 文件中加载数据。
- 提取数据: 从数据集中提取 x 坐标、y 坐标和温度值。
- 设置半径: 定义圆形热力图的半径。
- 创建网格: 使用 np.mgrid 创建一个二维网格，用于插值。
- 数据插值: 使用 scipy.interpolate.griddata 函数对温度数据进行插值。这里使用了三次插值 (method='cubic')，可以根据实际情况选择其他插值方法，如线性插值 (linear) 或最近邻插值 (nearest)。三次插值通常能提供更平滑的结果。
- 创建圆形掩码: 创建一个圆形掩码，用于限制热力图的显示范围。超出圆形范围的区域将被遮盖。
- 创建自定义颜色映射: 使用 matplotlib.colors.LinearSegmentedColormap 创建一个自定义的颜色映射，将蓝色映射到最低温度，红色映射到最高温度，绿色映射到中间温度。
- 绘制热力图: 使用 plt.imshow 函数绘制热力图。extent 参数定义了热力图的坐标范围，origin='lower' 确保图像的原点位于左下角。
- 添加颜色条: 使用 plt.colorbar 函数添加颜色条，用于显示温度与颜色的对应关系。
- 设置标题和禁用网格: 设置图表的标题，并禁用网格显示。
- 显示图像: 使用 plt.show 函数显示绘制的热力图。
4. 注意事项
- 插值方法选择: griddata 函数提供了多种插值方法。根据数据的特点和所需的精度，可以选择合适的插值方法。三次插值通常能提供更平滑的结果，但计算量也更大。
- 数据质量: 插值结果的准确性很大程度上取决于原始数据的质量和密度。如果数据过于稀疏，插值结果可能不够准确。增加数据点可以提高插值精度。
- 颜色映射: 选择合适的颜色映射可以更清晰地展示温度分布。可以根据实际需求调整颜色映射的范围和颜色梯度。
- 边界数据: 确保在热力图的边界添加足够的数据点，特别是四个角点，以避免出现八边形或其他不规则形状。
5. 总结
通过本文的教程，您已经学会了使用 Matplotlib 和 SciPy 绘制圆形温度热力图的方法。关键步骤包括数据准备、数据插值、创建圆形掩码和绘制热力图。通过添加边界数据点，可以显著改善插值效果，避免出现热力图呈现为八边形的问题。希望本教程能帮助您更好地可视化温度数据，并应用于实际项目中。
