企业官网建设流程全解析

做数据可视化这几年，Matplotlib 是我电脑里打开频率最高的库之一。日常画折线、柱状、散点图自然不在话下，但一旦涉及两个方向——“三维数据”和“地理坐标数据”，很多人的第一反应是转去学别的库。其实 Matplotlib 自带的两个工具箱 Basemap 和 Mplot3D 就能覆盖绝大多数场景，而且和主库的 API 风格一脉相承。这篇文章就围绕这两块展开：Mplot3D 做三维散点、曲面、等高线和向量场，Basemap 做海岸线、国界、经纬网格以及地理数据叠加。如果你手里有带经纬度的数据，或者想呈现三维的分布关系，又不想引入太重的新框架，这篇内容基本可以让你直接动手。

先说个真实的背景。这两年在项目里，我经常碰到两类需求：一类是把气象站点或城市数据画到地图上，另一类是把模型的预测曲面或者参数空间的三维结构展示出来。前者我用 Basemap，后者我用 Mplot3D。虽然现在社区里 Cartopy 热度很高，但 Basemap 在很多存量项目里依然在跑，尤其是一些科研脚本和教学代码，学会了它再迁移到 Cartopy 也更容易理解投影的本质。而 Mplot3D 虽然看起来像是 Matplotlib 的“附加功能”，但它提供的 Axes3D 对象在交互式探索和论文插图之间找到了一个很实用的平衡点。下面我会从项目实操的角度，把这两个工具箱的选型逻辑、核心函数、参数陷阱和排查方法全部讲透。

1. 内容整体设计与思路拆解

1.1 为什么把 Basemap 和 Mplot3D 放在一起讲

很多教程把这两个工具箱分开讲，好像它们是两个完全独立的世界。但我在实际项目里发现，它们的配合频率远比你想象的高。举个例子，我做过一个地形可视化项目：原始数据是某区域的 DEM 高程栅格，带有经纬度坐标。我需要先借助 Basemap 将经纬度投影到平面坐标，然后基于这些平面坐标构造三维网格，再用 Mplot3D 的 plot_surface 把地形起伏画出来。这一步如果有人只学了其中一个工具，就会卡住：只用 Basemap 只能出二维平面图，高程信息只能靠颜色编码；只用 Mplot3D 则完全不知道怎么处理经纬度投影。

另一个场景是科研论文里的“地图 + 数据层”插图：底图用 Basemap 绘制海岸线和国界，数据层用散点或等值线叠加，最后如果需要展示三维趋势，再用 Mplot3D 把数据曲面画在投影坐标上。所以这两个工具箱本质上都在解决“把数据放到正确的空间坐标里”这件事，只是一个偏向平面地理空间，一个偏向三维数学空间。把它们放在同一篇文章里，不是因为它们都叫 Matplotlib 工具箱，而是因为它们的组合能解决一类更完整的数据表达问题。

1.2 方案选型：什么时候选 Basemap，什么时候直接上 Mplot3D

先说 Mplot3D。它的适用场景很明确：数据本身是三维的，或者需要第三个维度来表达强度/趋势。比如机器学习里的网格搜索误差曲面、流体仿真的速度场、信号的时频分布，这些数据天然有三个轴。Mplot3D 的优势是学习成本低——你只需要在创建图形时指定 projection='3d'，之后所有绘图函数几乎都是二维版本的“升维”版本。

Basemap 的适用场景则完全不同。它适合所有带有地理坐标的数据，无论数据本身是二维还是三维。我自己的选择标准是这样的：如果数据里有 lat/lon 字段，且展示结果需要参考真实的行政边界或海岸线，那就必须用 Basemap（或者它的继任者 Cartopy）；如果数据只是抽象的数学空间三维点，那直接用 Mplot3D，压根不要考虑地图。

还有一个关键区别在于坐标系处理方式。Mplot3D 是在常规笛卡尔坐标系上扩展了 Z 轴，而 Basemap 做的是“投影变换”：把球面上的经纬度坐标映射到平面上的 x/y 坐标。Basemap 的一大好处是，你可以在对象上调用 map(x, y) 方法，把经纬度数组一次性转换为平面坐标，然后交给任何需要 x/y 的绘图函数使用。这个机制让它和 Mplot3D 可以无缝衔接，后面我会专门演示。

1.3 Basemap 的“历史包袱”问题：为什么还在用

写这篇文章之前，我必须先说明一个背景：Basemap 官方已经停止更新，Cartopy 是官方推荐的替代品。但我依然认为 Basemap 值得讲，原因有三个。

第一，存量代码太多。我接手过好几个高校实验室的数据处理脚本，里面清一色是 basemap 的投影方式和绘图层逻辑，迁移到 Cartopy 需要改动大量 API 调用。看懂 Basemap 代码，是维护这些项目的基本功。

第二，Basemap 的教学价值不低。它的投影实现非常直观：你实例化一个 Basemap，指定投影名和边界参数，它就把经纬度换算成画布上的毫米坐标。理解了这个过程，再去看 Cartopy 的投影体系会轻松很多。

第三，某些历史数据文件里的投影参数说明，用的还是 Basemap 的命名方式，比如 'lcc'、'robin'、'cyl'。如果你要读取一份老数据，能识别这些字符串的含义是很有用的。

当然，如果你是全新的项目，我建议直接用 Cartopy。但本文以 Basemap 为主，是因为它和 Matplotlib 主库的耦合更简单，而且在三维地形绘制这种场景里，Basemap 的投影结果直接交给 Mplot3D 用的流程，至今仍有参考价值。

2. Mplot3D 核心用法与参数细节

2.1 三维坐标系：Axes3D 的创建方式与基本属性

Mplot3D 的入口非常简单，两种写法我都常用：

import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np # 写法一：先建 fig，再添加 3d 子图 fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(111, projection='3d') # 写法二：直接指定 projection（新版推荐） fig = plt.figure(figsize=(8, 6)) ax = plt.axes(projection='3d')

第二种写法在 Matplotlib 3.x 里更干净，也不需要显式引入 Axes3D，因为 add_subplot 和 axes 方法都能识别 projection 参数。创建好坐标系之后，常用的属性设置和二维没有本质区别：set_xlabel、set_ylabel、set_zlabel、set_title 都会自动生成三维字样的标签。

但这里有一个新手最容易忽略的差距：三维坐标系的刻度标签默认是自动缩放的，而且三个轴的比例互不关联。如果你的数据在 X 方向跨度 1000，Y 方向跨度只有 10，那么图像看起来会被压扁，看不出真实的几何关系。我建议每次创建 Axes3D 后，都按需设置坐标轴范围。比如：

ax.set_xlim(0, 1000) ax.set_ylim(0, 10) ax.set_zlim(0, 50) ax.set_box_aspect((1, 1, 0.8)) # 控制三个轴显示比例

set_box_aspect 是 Matplotlib 3.4 以后才有的方法，它让三维图像的“盒子”比例可以人为控制。如果没这个方法，就得手动计算 aspect，比较麻烦。下面给出一个完整的三维散点示例，这个例子我经常用来测试坐标系是否正常：

rng = np.random.default_rng(42) x = rng.normal(0, 1, 200) y = rng.normal(0, 1, 200) z = rng.normal(0, 1, 200) fig = plt.figure(figsize=(8, 6)) ax = plt.axes(projection='3d') sc = ax.scatter(x, y, z, c=z, cmap='viridis', s=30, alpha=0.7) fig.colorbar(sc, ax=ax, shrink=0.6, label='z value') ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') plt.show()

这里的c=z让颜色反映第三维数值，alpha=0.7则避免点太多时互相遮挡。散点图的颜色映射配合 colorbar，基本上能满足九成的三维点云展示需求。

2.2 三维曲面与线框：plot_surface 和 plot_wireframe 的差异与搭配

三维曲面是 Mplot3D 里出图效果最“高级”的类型，也是论文里最常见的插图形式。plot_surface 需要网格化的数据，也就是 X、Y、Z 都是二维数组，通常来自 np.meshgrid。

x = np.linspace(-3, 3, 100) y = np.linspace(-3, 3, 100) X, Y = np.meshgrid(x, y) Z = np.sin(np.sqrt(X**2 + Y**2)) fig = plt.figure(figsize=(10, 6)) ax = plt.axes(projection='3d') surf = ax.plot_surface(X, Y, Z, cmap='coolwarm', linewidth=0, antialiased=True) fig.colorbar(surf, ax=ax, shrink=0.5, aspect=12) plt.show()

plot_surface 的几个参数值得注意。linewidth=0是为了消除网格线对曲面颜色的干扰，否则高分辨率下网格线会像布纹一样难看。antialiased=True和抗锯齿相关，保持默认即可。cmap决定了曲面的颜色编码方式，我一般用 'coolwarm' 或者 'viridis'，前者适合有正负值的波动面，后者适合纯粹的数值强度。

线框图 plot_wireframe 则完全不同，它只画网格线，不填充颜色。这个图适合观察数据的骨架结构，尤其在数据量极大、曲面填充会严重遮挡视线的时候。我通常会把两者叠加：先用线框画出“骨架”，再用低透明度的曲面填充上颜色，视觉上既能看出结构又有立体感。

ax.plot_wireframe(X, Y, Z, color='k', linewidth=0.3, alpha=0.4) ax.plot_surface(X, Y, Z, cmap='coolwarm', alpha=0.6, linewidth=0)

这里有个容易踩的坑：当数据量很大时，plot_surface 的网格密度过高会让图形渲染变慢，甚至导致矢量输出文件体积巨大。解决办法是控制采样密度，比如只取 50x50 的网格，而不是 300x300。很多初学者以为网格越密图越好看，结果导出的 PDF 几十兆，投稿时直接被拒。我的经验是：显示趋势的插图 60x60 足够，需要精细的局部细节再提高密度。

2.3 三维等高线与向量场：contour、contourf 和 quiver

在三维坐标系中画等高线有两种思路：一种是把等高线投影到某个平面上，另一种是直接在三维曲面表面绘制等值线。Mplot3D 的 contour 函数默认把等高线画在坐标系的底部平面上（zdir='z' 的 offset 位置），这很像地质图里的俯视投影。如果想画在曲面上，则需要设置 offset 参数为 None 并且传入正确的 zdir。

fig = plt.figure(figsize=(10, 6)) ax = plt.axes(projection='3d') ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.5, linewidth=0) # 底面投影的等高线 ax.contour(X, Y, Z, zdir='z', offset=-2, cmap='viridis', levels=15) # 侧面投影 ax.contour(X, Y, Z, zdir='y', offset=3, cmap='viridis', levels=15) plt.show()

等高线投影对于理解三维结构的“低谷”和“峰脊”非常有帮助，尤其是当曲面之间相互遮挡的时候。你可以在一个图里同时画底部投影和侧面投影，这样三维结构的不同角度信息一目了然。

三维向量场用 quiver 绘制。quiver 的签名是quiver(X, Y, Z, U, V, W)，其中 U、V、W 分别是 X、Y、Z 方向的分量。一个常见的误区是：向量场的坐标点网格过密，导致图像变成“刺猬”，完全看不清楚方向。解决方式是降采样，或者用length参数控制箭矢长度。

x = np.linspace(-2, 2, 10) y = np.linspace(-2, 2, 10) X, Y = np.meshgrid(x, y) Z = np.zeros_like(X) U = -Y V = X W = np.zeros_like(X) fig = plt.figure(figsize=(8, 6)) ax = plt.axes(projection='3d') ax.quiver(X, Y, Z, U, V, W, length=0.35, normalize=True, color='steelblue') ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') plt.show()

这个例子画的是一个平面上的旋转场，把 W 改成非零值就可以变成真正三维向量场。quiver 的normalize=True参数会把所有箭矢归一化到同样长度，适合观察方向；如果你更关注向量长度本身，就不要设置这个参数。

2.4 三维图形的视角控制与交互技巧

三维图最“劝退”新手的一点是视角选不好，出来的图全是遮挡和变形。Mplot3D 默认视角是 elevation=30 度，azimuth=-60 度。实际项目里我几乎每次都会手动调整：

ax.view_init(elev=25, azim=35)

view_init 的两个参数：elev 是观察点的高度角，0 度就是平视，90 度就是俯视；azim 是方位角，相当于绕 Z 轴旋转的角度。我的建议是先跑一版默认视角，然后打印几个候选视角存成图片对比，选择信息损失最小的那个。不少同事用交互窗口手动拖到合适角度，再用ax.view_init记录当前的 elev 和 azim 数值，这个操作可以通过ax.elev和ax.azim读取，非常实用。

另外，当图里同时有多个数据层时，zorder 控制绘制顺序的效果在三维坐标系里远不如二维明显，所以我们更多依靠 alpha 透明度和视角来避免遮挡。这也是为什么我上面反复强调 alpha 参数：三维绘图中透明度是比颜色更重要的设计变量。

3. Basemap 投影方式与地图绘制实操

3.1 安装与最基本的地图骨架

Basemap 的安装是个经典痛点。它依赖 GEOS 库，直接用 pip 在很多环境里会报错。最稳妥的方式是用 conda：

conda install basemap

如果你的环境里有多个 Python 版本混杂，建议单独建一个虚拟环境。安装完成后，先画一个最简单的世界地图，验证环境是否正常：

from mpl_toolkits.basemap import Basemap fig = plt.figure(figsize=(12, 6)) m = Basemap(projection='cyl', resolution='c', llcrnrlon=-180, llcrnrlat=-60, urcrnrlon=180, urcrnrlat=75) m.drawcoastlines(linewidth=0.6) m.drawmapboundary(fill_color='aqua') m.fillcontinents(color='coral', lake_color='aqua') plt.show()

这个例子用的是 'cyl' 投影（等距圆柱投影），llcrnrlon/llcrnrlat/urcrnrlon/urcrnrlat 分别指定左下角和右上角的经纬度边界。drawcoastlines 画海岸线，fillcontinents 给大陆填充颜色，drawmapboundary 给海洋区打底色。如果看到上述字符正常输出，说明 GEOS 库和 Basemap 都正常。

Basemap 的投影方式有几十种，常用的是以下几种：

选投影时需要考虑你的数据分布区。如果数据集中在中国的华东地区，用 'merc' 加合适的经纬度边界，画出来的形状最自然；如果数据是全球温度场，用 'robin' 或 'cyl' 更常见。很多文章配图喜欢用 'ortho' 的球体效果，但它只适合表达地理位置的相对关系，不适合精确读图。

3.2 在 Basemap 上叠加坐标转换与数据层

Basemap 的核心机制是投影变换。当你创建好 m 之后，传入经纬度数据前先做一次转换：

lons = np.array([116.4, 121.5, 104.1, 113.3]) lats = np.array([39.9, 31.2, 30.7, 23.1]) x, y = m(lons, lats) m.plot(x, y, 'ro', markersize=8) m.scatter(x, y, c=[10, 20, 15, 25], cmap='hot', marker='o', s=100)

这个 m(lons, lats) 的调用方式非常像函数调用，实际执行的是经纬度到平面坐标的映射。得到的 x/y 就是可以直接交给 Matplotlib 常规绘图函数的数据点。注意，尽量不要直接把经纬度传给 plot 或 scatter，否则画出来的是经纬网格坐标系，而不是 Basemap 真正的投影结果。

要画等值线或者填充等值线，思路一样。假设你有网格化的经纬度数据 grid_lons、grid_lats，对应的数据场 grid_data：

x, y = m(grid_lons, grid_lats) cs = m.contourf(x, y, grid_data, levels=12, cmap='RdYlBu_r') fig.colorbar(cs, ax=plt.gca(), shrink=0.6) m.drawcoastlines(linewidth=0.5) m.drawcountries(linewidth=0.5, color='gray')

这里有一个非常关键的细节：contourf 的 x/y 必须是二维网格，而且 grid_lons 和 grid_lats 要来自同一个 meshgrid 顺序。如果源数据是 netCDF 或 GeoTIFF 读进来的，通常需要转置。我经常遇到的现象是，数据画出来之后地图位置整体偏移或者梯度方向反转，十有八九就是维度顺序反了。排查方式是在转换前先检查 grid_lons.shape 和 grid_data.shape 是否一致，不一致就试试.T转置。

3.3 绘制国界、经纬网与区域图

Basemap 最常用的几个绘制方法是 drawcoastlines、drawcountries、drawstates 和 drawparallels/drawmeridians。它们的调用方式如下：

m.drawcoastlines(linewidth=0.8, color='black') m.drawcountries(linewidth=0.5, linestyle='--', color='gray') m.drawstates(linewidth=0.3, color='lightgray') parallels = np.arange(-60, 90, 15) meridians = np.arange(-180, 180, 30) m.drawparallels(parallels, labels=[1,0,0,0], fontsize=10) m.drawmeridians(meridians, labels=[0,0,0,1], fontsize=10)

drawparallels 和 drawmeridians 的 labels 参数是有顺序的 [左、右、上、下]，表示在这个边缘是否标注刻度值。比如 labels=[1,0,0,0] 表示在左边标注纬度值，labels=[0,0,0,1] 表示在底部标注经度值。这是 Basemap 里最容易让人迷惑的参数，没有之一，因为它的顺序不是直观的“上下左右”，而是“左右上下”。

对于区域图，比如你要画某个省份的地图，Basemap 也能通过经纬度边界实现：

m = Basemap(projection='merc', llcrnrlon=100, llcrnrlat=20, urcrnrlon=125, urcrnrlat=42, resolution='l')

这里 resolution 参数决定了地图细节等级，有 'c'（粗糙）、'l'（低）、'i'（中）、'h'（高）、'f'（完整）几个选项。级别越高，海岸线和国界文件越精细，但绘制越慢，包体积也越大。建议区域图用 'l' 或 'i'，全球图用 'c' 就足够。有些环境里 resolution='f' 需要额外下载数据，离线环境会报错，这是另一个坑，后面排查部分再讲。

3.4 用 Basemap 做带底色的渐变地图

有时候数据覆盖整个地图区域，我们想画出类似“热度图”的效果：底图区域填充数据等值面，陆地边界叠加在数据之上。这里要注意图层顺序：先填充数据（contourf），后画海岸线和国界，这样边界线会盖在色块上，清楚显示行政区域。

fig = plt.figure(figsize=(10, 8)) m = Basemap(projection='cyl', resolution='c', llcrnrlon=100, llcrnrlat=15, urcrnrlon=125, urcrnrlat=45) x, y = m(grid_lons, grid_lats) m.contourf(x, y, grid_data, levels=15, cmap='Spectral_r') m.drawcoastlines(linewidth=0.8) m.drawcountries(linewidth=0.5, color='black') m.drawparallels(np.arange(15, 46, 5), labels=[1,0,0,0]) m.drawmeridians(np.arange(100, 126, 5), labels=[0,0,0,1]) plt.colorbar(label='value') plt.show()

因为等值面是填充在海洋上方的，所以海洋区域的色块也会显示出来。如果你希望海洋统一显示为浅蓝色，可以使用m.drawmapboundary(fill_color='lightblue')先填充底色，再用m.fillcontinents(color='none')把陆地原有的底色盖掉。这个“先底后顶”的顺序是整个 Basemap 绘制流程里最重要的思维。

4. 三维地图：把 Basemap 和 Mplot3D 组合起来

4.1 为什么三维地形图需要这两个工具协同

我前面提到过，带经纬度的高程数据（DEM）必须经历“投影变换”才能成为三维坐标。这一节的完整思路是：先用 Basemap 把经纬度网格投影成平面坐标 x/y，再把高程值赋给 Z，然后交给 Mplot3D 的 plot_surface 绘制。这样画出来的地形图，水平方向的比例是地图投影后的真实距离关系，垂直方向是高程放缩。

这种图在展示山区地貌、流域地形、气象要素场的三维结构时非常直观。比如我做过一个降水数据三维展示：X 和 Y 是投影后的平面坐标，Z 是地形高程，颜色映射的是降水量。这样一张图，同时展示了地形和降水分布，读者一眼就能看出降水与山脉走向的关系。

4.2 一个完整的地形三维图示例

假设你有经纬度网格 lon_grid、lat_grid 和对应高程数据 dem。下面是一个可以跑通的示例：

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.basemap import Basemap from mpl_toolkits.mplot3d import Axes3D # 模拟数据：100x100 的经纬度网格 lons = np.linspace(110, 118, 100) lats = np.linspace(30, 38, 100) lon_grid, lat_grid = np.meshgrid(lons, lats) # 模拟高程：一个山脊效果 dem = 100 * np.exp(-((lon_grid - 114)**2 + (lat_grid - 34)**2) / 10) dem += 50 * np.exp(-((lon_grid - 112)**2 + (lat_grid - 32)**2) / 5) # 1. 创建 Basemap 投影 m = Basemap(projection='merc', llcrnrlon=110, llcrnrlat=30, urcrnrlon=118, urcrnrlat=38, resolution='l') # 2. 投影转换 x, y = m(lon_grid, lat_grid) # 3. 三维绘制 fig = plt.figure(figsize=(12, 8)) ax = plt.axes(projection='3d') surf = ax.plot_surface(x, y, dem, cmap='terrain', linewidth=0, antialiased=True) fig.colorbar(surf, ax=ax, shrink=0.5, label='Elevation (m)') ax.set_xlabel('X (m)') ax.set_ylabel('Y (m)') ax.set_zlabel('Elevation (m)') ax.view_init(elev=30, azim=-60) plt.show()

这里有几个细节要强调。第一，x/y 是投影后的平面坐标，单位是米（取决于投影方式），而不是经纬度。所以坐标轴标签不要写 lon/lat，要写 X/Y 投影坐标。第二，plot_surface 要求 x/y/z 都是相同维度的二维数组，这里 lon_grid、lat_grid 经过 meshgrid 已经是二维，投影后也是二维。第三，Z 轴（dem）如果量纲和 x/y 不一致，比如平面上跨度 800 公里，高程只有 100 米，那么三维图会像一个薄片。此时需要用ax.set_box_aspect((1, 1, 0.3))调整垂直方向的比例，或者人为把高程乘以一个比例系数。

# 调整垂直比例：把高程放缩到合理视觉范围 z_scale = (x.max() - x.min()) / (dem.max() - dem.min()) * 0.15 ax.set_box_aspect((1, 1, z_scale))

这个经验来自我的实操：一开始直接把真实高程画上去，地形起伏完全看不见，因为水平跨度太大。后来换成按视觉比例放缩，才达到“像真实山体”的效果。如果你要展示的是地形趋势而非精确高度，视觉放缩是完全合理的手段。

4.3 把数据层也叠加到三维空间

在这个三维地形图上，你还可以叠加散点数据或者路径线。比如在投影后的 x/y 基础上加上一个固定的垂直偏移，把站点数据“浮”在地形上方：

# 假设观测点经纬度 obs_lons = np.array([113.5, 112.8, 115.6]) obs_lats = np.array([33.2, 31.5, 35.1]) ox, oy = m(obs_lons, obs_lats) oz = np.interp(ox, x[0], dem[:, 0]) # 简化插值，实际应二维插值 # 用二维线性插值更稳妥：scipy.interpolate.griddata ax.scatter(ox, oy, oz + 20, color='r', s=40, label='Obs Site') ax.plot([ox[0], ox[0]], [oy[0], oy[0]], [oz[0]+20, oz[0]-100], color='r', lw=0.8)

这种“站点悬空”的做法可以让观测点位和地形高程同时显示在三维空间里，比二维地图直观得多。实际项目中我会用 scipy 的 griddata 做完整的二维插值，确定每个站点对应的高程值，这里的简化示例是示意。

5. 常见问题与排查技巧实录

5.1 Basemap 安装与数据文件缺失问题

Basemap 最常出问题的环节其实不是画图，而是安装和运行时的资源文件。常见报错是ImportError: No module named mpl_toolkits.basemap，这种一般是没装好或者装进了错误的 Python 环境。我的排查顺序是：

1. 确认当前 python 指向哪个解释器，用的是 conda 还是系统自带。
2. 用conda install basemap而不是 pip，因为 conda 会自动拉取 GEOS 依赖。
3. 如果 conda 里没有对应版本（比如 Python 3.10 以上的新环境），建议建一个 Python 3.8 或 3.9 的 conda 环境来装。

另一个报错是读取海岸线数据时出现IOError: file not found，这通常是 resolution 级别对应的高精度数据文件缺失。解决办法是降低 resolution 级别，或者手动下载数据文件放到 Basemap 的数据目录。离线环境装 Basemap 是最痛苦的，我建议在联网机器上把数据文件缓存好，再复制到离线环境。

5.2 投影边界困惑：为什么画出来一片空白或者区域偏了

画区域图时，很多人都会犯一个错误：投影方式选好之后，经纬度边界却不匹配。比如用 'merc' 投影时，如果 llcrnrlon 和 urcrnrlon 跨度太大，远高纬度地区在墨卡托投影下会严重拉伸，导致地图变成一个细长的条。我遇到过一次这个情况：数据采集区域在 20°N 到 50°N，横跨 60 度，用 'merc' 画出来图非常扁，后来换成 'lcc' 投影就正常了。

投影和边界必须作为整体来考虑。'merc' 适合赤道附近和中低纬度的局部区域；'lcc' 适合中纬度的大区域；'cyl' 适合全球范围；'robin' 适合全球专题图。如果你不知道选什么，制图的通用建议是：全球用 'robin' 或 'cyl'，跨省跨流域用 'lcc'，城市尺度用 'merc'。

还有个常见问题：经纬度数据的顺序不对。Basemap 的投影方法m(lon, lat)第一个参数必须是经度。不少从 GIS 软件导出的数据习惯写 lat/lon，直接传入会导致点在图上颠倒镜像。我的排查技巧是：先画两个已知坐标的点，比如北京（116.4, 39.9）和广州（113.3, 23.1），如果相对位置是错的，立刻检查经纬度顺序。

5.3 Mplot3D 的渲染与坐标轴问题

Mplot3D 常见的问题主要是渲染模糊、轴刻度重叠、隐藏面错误。

渲染模糊：保存图片时默认 dpi 太低，或者矢量图里曲面颜色块过多。如果是期刊投稿，保存矢量图时适当降低网格密度，否则文件体积爆炸；如果是屏幕展示，把 dpi 提到 150~200 效果会好很多。

轴刻度和标签重叠：三维图旋转之后，刻度标签可能互相遮挡。我的办法是调整 view_init 找到一个合适的观测角度，或者用ax.tick_params(axis='x', pad=5)之类的方法调整间距。如果标签实在太多，可以减少刻度数量，比如：

ax.set_xticks([-2, 0, 2]) ax.set_yticks([-2, 0, 2])

隐藏面错误（表面穿透）：这是三维渲染的经典问题，当曲面自交或渲染顺序判断错误时，后面的面会错误地覆盖前面的面。解决方法比较有限：可以降低透明度（alpha 小于 0.6 通常能减少视觉冲突），或者提高网格密度减少自交概率，也可以调整视角绕过问题区域。我的经验是，不要追求完美渲染，选择角度和透明度组合让整体清晰即可。

5.4 问题速查表

6. 个人实操心得与踩坑记录

说几个我反复踩过、后来形成习惯的细节。

第一个是三维图的自定义颜色映射。很多领域的配色方案有约定，比如降水喜欢用蓝绿色系，气温喜欢用红蓝色系。Mplot3D 和 Basemap 都支持 cmap，但我建议把 colorbar 的刻度边界手动设置，不要全交给自动刻度：

levels = np.linspace(data_min, data_max, 12) surf = ax.plot_surface(X, Y, Z, cmap='terrain', vmin=data_min, vmax=data_max)

vmin/vmax 显式制定后，多组图片之间可以保持颜色尺度一致，方便对比。这在论文组图里尤其重要，不然同一物理量在不同图上颜色深浅不同，容易被审稿人质疑。

第二个是关于数据投影的口诀：先转换，后绘图。不管是散点、等值面还是三维地形，只要数据带经纬度，先让 Basemap 把它变成 x/y，再交给任何 Matplotlib 绘图函数。这套“先换坐标再画图”的思维，迁移到 Cartopy 后也成立。Cartopy 不过是把投影方式封装得更面向对象，但“经纬度转平面坐标”的核心步骤并没有变。

第三个是关于配色与可读性。三维图大都信息密度高，如果用默认的连续色带，容易显得杂乱。我的做法是：优先用有明确语义的色带，比如 terrain 对应地形，RdYlBu_r 对应正负变化，viridis 默认最安全。等高线级别数量控制在 10~15 之间，太多显得密集，太少丢失细节。

第四个，也是我感触最深的一点：三维和地图可视化最耗费时间的往往不是画图本身，而是数据预处理。经纬度顺序、网格维度、缺失值处理、投影边界选择，这些环节出问题的时候，图怎么调都不对。我建议你在项目开始的时候，先写一个最小可视化样例，只用 3~5 个点位验证坐标关系，确认无误后再上全量数据。这个习惯帮我省下了大量查错时间。

这套 Basemap + Mplot3D 的组合，在我做过的多个数据可视化项目里表现稳定。如果你手头恰好有带地理坐标的数据，或者想把三维结构的趋势展示给读者，这两个工具箱足够支撑你完成从初稿到成图的全过程。等你熟悉了这里的坐标变换逻辑，再去接触更现代的绘图库，会发现很多概念都是相通的——毕竟，所有可视化最终都在回答同一个问题：数据应该摆在哪里，才最容易被理解。