Matplotlib 的 pcolor 函数能够绘制由一个个四边形（quadrilateral）单元构成的网格数据的彩色图像，相比绘制等值填色图的 contourf 函数，不会产生过度的平滑效果，能忠实反映像元的数值大小，因而在科学可视化中也很常用。本文并不打算介绍该函数的种种，只想着重讨论网格数据的显示效果、shading 参数发挥的作用，以及 pcolor 和 pcolormesh 这对双胞胎间的差异。本文基于 Matplotlib 3.3.4。

pcolor 全名 pseudo color，即伪彩色。函数签名为

其中 X 和 Y 分别是网格的横纵坐标，C 是网格单元内变量的数值。之所以称之为“伪”，是因为 pcolor 并不像 imshow 那样直接用 RGB(A) 数组表示颜色，而是将 C 的数值归一化之后，在一个颜色查找表中查找对应的颜色，进而用颜色差异表现数值大小（原理详见 Matplotlib 系列：colormap 的设置）。C 数组的形状为 (ny, nx)，X 和 Y 的形状要比 C 大上一圈，即 (ny + 1, nx + 1)，ny 在前表示纵坐标会随数组的行号变动，nx 在后表示横坐标会随数组的列号变动。pcolor 对网格数据的显示效果如下图所示

图中第一行是规则网格，即每个网格单元都是矩形（rectangle）。网格顶点用红点表示，X 和 Y 描述了顶点的横纵坐标；四个邻近的顶点围成一个矩形，C 描述了每个矩形内变量的值，pcolor 再根据这些值的大小为矩形涂上相应的颜色——这便是 pcolor 的作用。

显然矩形的边长数总是比间隔数大一，这解释了 X、Y 和 C 在数组形状上的差异。并且正如前面所述，X 的值只会随列号变动，Y 的值只会随行号变动。另外必须注意，数组的起点，即行号和列号都为 0 的元素在数组的左上角，但在画出来的图中这个元素位于左下角，也就是说我们需要区分列号和纵坐标的正方向。

图中第二行是不规则网格，每个网格单元都是平行四边形（parallelogram）。实际上任意四边形都行，因为数组里相邻四个元素的逻辑位置天然构成一个正方形，顶点经由 X 和 Y 的数值可以在 xy 空间映射为任意形状的四边形。注意到，此时 X 和 Y 的值会同时随行号和列号变动，维度 nx 和 ny 不再单纯对应于横坐标和纵坐标。

X 和 Y 还可以是一维数组，此时 pcolor 会利用 X, Y = np.meshgrid(X, Y) 制作对应的规则网格。不给出 X 和 Y 时则会利用从零开始的简单计数制作网格，即

然而世上还有另一种极为常见的网格数据，如下图所示

这里 C 的形状与 X 和 Y 完全相同，C 直接描述网格顶点处的变量。气候数值模式输出的格点化产品基本都是这种，例如全球的温压湿风等。由此带来的问题是：原先一个四边形对应一个变量值，相当于四边形中心有一个值；而现在一个四边形的四个顶点都有值，那该选哪个来代表四边形的中心呢？

在 Matplotlib 3.2 及之前的版本里，pcolor 会偷偷抛弃 C 的最后一行和最后一列，即只使用 C[:-1, :-1]，从而将数据变成上一节的形式。这样画出来的图不仅会损失一点显示范围，还会因为强行用顶点描述四边形中心，使填色图向对角线方向偏移半个网格单元的长度。

虽然听起来有些可怕，但对画图的实际影响其实不是很大，特别是当网格特别密的时候，少掉一行一列无足轻重，微小的偏移也很难看出来，不过说到底还是不太严谨。新版本的 Matplotlib 给出的解决方案是：推测出一张新的网格，其形状比 C 多出一行一列，并尽可能使每个数据点落在新网格单元的正中心。自 3.3 版本起，可以通过指定参数 shading='nearest' 开启这一功能，而原先丢掉数据的行为称作 'flat'。实现该功能的具体语句是（摘自 _axes.py）