如何使用matplotlib在python中生成3d三角面（trisurf）图（数据已准备好）？答案

【问题标题】：How to generate a 3d triangle surface (trisurf) plot in python with matplotlib (the data is prepared)?如何使用matplotlib在python中生成3d三角面（trisurf）图（数据已准备好）？
【发布时间】：2023-04-01 14:34:01
【问题描述】：

我有三个数据列表：X、Y、Z，并试图用它们生成一个 3d trisurf 图（我在 MATLAB 和 Python 中都做过）。

问题是情节似乎丢失了一些东西，在 MATLAB 中是K = boundary(X,Y,Z,1); trisurf(K, X, Y, Z, 'FaceAlpha', 0.1)。

Python 中的 trisurf (matplotlib)：

import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d
%matplotlib inline

# data (X,Y,Z) for three-dimensional scattered points: **in the end of this post**

# plot
fig = plt.figure(figsize=(20,15))
ax = plt.axes(projection='3d')
ax.plot_trisurf(X, Y, Z,
                cmap='viridis', edgecolor='none');

ax.set_xlabel('kp')
ax.set_ylabel('ki')
ax.set_zlabel('pcg of min time delay (%)')
ax.set_title("f-t curve(s)")

在使用 MATLAB 之前，我们需要使用 Python 将数据放入 csv 文件中：

df = pd.DataFrame.from_dict({'kp':X, 'ki':Y, 'pcgTd (%)':Z})
df.to_csv('cur.csv', header=False, index=False)

在 MATLAB 中，我们可以使用：

% if you store data in a csv file
num = xlsread('YOUR_ADDRESS/cur.csv', 'A2:C518');
X = num(:,1);
Y = num(:,2);
Z = num(:,3);
K = boundary(X, Y, Z, 1);
trisurf(K, X, Y, Z, 'FaceAlpha', 0.1)

colorbar
xlabel('kp')
ylabel('ki')
zlabel('delay (sec)')
xlim([0.05 3.2]);
ylim([0.01 0.06]);
zlim([100 200]);
set(gca,'XTick',[0.05:0.05:3.2])
set(gca,'YTick',[0.01:0.01:0.06])
set(gca,'ZTick',[100:50:200])

如何解决 Python（边界或...）中的 3d 绘图问题？

matplotlib 版本： MATLAB 版本（目标）：

ps，基本上，3d 图基于三个 2d 层（Z=100,150,200），您可以从 MATLAB 图和三个 2d 图中看到，如果 Z更高。

Data: X = [0.05, 0.1, 0.1, 0.1, 0.15, 0.15, 0.15, 0.15, 0.15, 0.15, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.05, 2.05, 2.05, 2.05, 2.05, 2.05, 2.05, 2.1, 2.1, 2.1, 2.1, 2.1, 2.1, 2.1, 2.15, 2.15, 2.15, 2.15, 2.15, 2.15, 2.2, 2.2, 2.2, 2.2, 2.2, 2.2, 2.25, 2.25, 2.25, 2.25, 2.25, 2.3, 2.3, 2.3, 2.3, 2.35, 2.35, 2.35, 2.35, 2.4, 2.4, 2.4, 2.45, 2.45, 2.5, 2.55]

Y = [0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.01, 0.01, 0.01, 0.02, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01]

Z = [100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 100.0]

【问题讨论】：

标签： python matlab matplotlib 3d

【解决方案1】：

我看到不久前有人问过这个问题，但我想我会快速回答一下。您可以使用scipy.spatial.ConvexHull 计算数据的凸包，并使用simplices 绘制三角形。这是使用您的数据的示例：

import numpy as np
from scipy.spatial import ConvexHull
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

X = np.asarray([0.05, 0.1, 0.1, 0.1, 0.15, 0.15, 0.15, 0.15, 0.15, 0.15, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.45, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.55, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.6, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.7, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.75, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.8, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.85, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.05, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.1, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.15, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.25, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.3, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.35, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.4, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.45, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.55, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.65, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.7, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.75, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.8, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.85, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.9, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 1.95, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.05, 2.05, 2.05, 2.05, 2.05, 2.05, 2.05, 2.1, 2.1, 2.1, 2.1, 2.1, 2.1, 2.1, 2.15, 2.15, 2.15, 2.15, 2.15, 2.15, 2.2, 2.2, 2.2, 2.2, 2.2, 2.2, 2.25, 2.25, 2.25, 2.25, 2.25, 2.3, 2.3, 2.3, 2.3, 2.35, 2.35, 2.35, 2.35, 2.4, 2.4, 2.4, 2.45, 2.45, 2.5, 2.55])
Y = np.asarray([0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.05, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.04, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.03, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.02, 0.01, 0.01, 0.01, 0.02, 0.01, 0.01, 0.01, 0.02, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01])
Z = np.asarray([100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 100.0, 150.0, 200.0, 100.0, 150.0, 100.0, 100.0])

fig = plt.figure(figsize=(8,5))
ax = plt.axes(projection='3d')

points = np.column_stack((X, Y, Z))
hull = ConvexHull(points)

ax.plot(X, Y, Z, 'bo', ms=2)
ax.plot(points[hull.vertices, 0],
        points[hull.vertices, 1],
        points[hull.vertices, 2], 'ko', markersize=4)
s = ax.plot_trisurf(X, Y, Z, triangles=hull.simplices,
                    cmap='viridis', alpha=0.2, edgecolor='k')
plt.colorbar(s, shrink=0.7)

plt.show()

请注意，这是与您的 Matlab 示例不同的方法。另外，我只用蓝色绘制了内部点来说明您的数据。出现在凸包中的点将返回为vertices，并绘制为较大的黑色标记。

convex hull for trisurf3d

【讨论】：