首先，永远不要做这样的事情：
mat = []
X = []
Y = []
for x in range(0,bignum):
mat.append([])
X.append(x);
for y in range (0,bignum):
mat[x].append(random.random())
Y.append(y)
相当于：
mat = np.random.random((bignum, bignum))
X, Y = np.mgrid[:bignum, :bignum]
...但它的速度要快几个数量级，并且使用的内存只是使用列表然后转换为数组的一小部分。
但是，您的示例运行良好。
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
bignum = 100
mat = np.random.random((bignum, bignum))
X, Y = np.mgrid[:bignum, :bignum]
fig = plt.figure()
ax = fig.add_subplot(1,1,1, projection='3d')
surf = ax.plot_surface(X,Y,mat)
plt.show()
如果您阅读 plot_surface 的文档，它清楚地表明 X、Y 和 Z 应该是二维数组。
这样您就可以通过固有地定义点之间的连通性来绘制更复杂的曲面（例如球体）。 （例如，从 matplotlib 库中查看此示例：http://matplotlib.sourceforge.net/examples/mplot3d/surface3d_demo2.html）
如果您有 1D X 和 Y 数组，并且想要从 2D 网格获得简单的表面，则使用 numpy.meshgrid 或 numpy.mgrid 生成适当的 X 和 Y 2D 数组。
编辑：
为了解释mgrid 和meshgrid 做了什么，我们来看看他们的输出：
print np.mgrid[:5, :5]
产量：
array([[[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[2, 2, 2, 2, 2],
[3, 3, 3, 3, 3],
[4, 4, 4, 4, 4]],
[[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]]])
因此，它返回一个形状为 2x5x5 的单个 3D 数组，但更容易将其视为两个 2D 数组。一个代表 5x5 网格上任意点的 i 坐标，而另一个代表 j 坐标。
由于python的解包方式，我们可以这样写：
xx, yy = np.mgrid[:5, :5]
Python 并不关心 mgrid 返回的确切内容，它只会尝试将其解压缩为两个项目。因为 numpy 数组在其第一个轴的切片上进行迭代，所以如果我们解包一个形状为 (2x5x5) 的数组，我们将得到 2 个 5x5 数组。同样，我们可以这样做：
xx, yy, zz = np.mgrid[:5, :5, :5]
...并获得 3 个 3D 5x5x5 索引数组。此外，如果我们使用不同的范围进行切片（例如xx, yy = np.mgrid[10:15, 3:8]，它将平铺从 10 到 14（含）和 3 到 7（含）的索引。
mgrid 做了更多的事情（它可以采用复杂的步骤参数来模仿linspace，例如xx, yy = np.mgrid[0:1:10j, 0:5:5j] 将返回 2 个 10x5 数组，数字分别在 0-1 和 0-5 之间递增），但是让我们跳到meshgrid 一会儿。
meshgrid 采用两个数组并以与mgrid 类似的方式平铺它们。举个例子：
x = np.arange(5)
y = np.arange(5)
xx, yy = np.meshgrid(x, y)
print xx, yy
产量：
(array([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]]),
array([[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[2, 2, 2, 2, 2],
[3, 3, 3, 3, 3],
[4, 4, 4, 4, 4]]))
meshgrid 实际上恰好返回一个由 2 个 5x5 二维数组组成的元组，但这种区别并不重要。主要区别在于指数不必在特定方向上增加。它只是平铺它给出的数组。举个例子：
x = [0.1, 2.4, -5, 19]
y = [-4.3, 2, -1, 18.4]
xx, yy = np.meshgrid(x, y)
产量：
(array([[ 0.1, 2.4, -5. , 19. ],
[ 0.1, 2.4, -5. , 19. ],
[ 0.1, 2.4, -5. , 19. ],
[ 0.1, 2.4, -5. , 19. ]]),
array([[ -4.3, -4.3, -4.3, -4.3],
[ 2. , 2. , 2. , 2. ],
[ -1. , -1. , -1. , -1. ],
[ 18.4, 18.4, 18.4, 18.4]]))
您会注意到，它只是平铺了我们给它的值。
基本上，当您需要使用与输入网格形状相同的索引时，您可以使用这些。当您想在网格值上评估函数时，它最有用。
例如
import numpy as np
import matplotlib.pyplot as plt
x, y = np.mgrid[-10:10, -10:10]
dist = np.hypot(x, y) # Linear distance from point 0, 0
z = np.cos(2 * dist / np.pi)
plt.title(r'$\cos(\frac{2*\sqrt{x^2 + y^2}}{\pi})$', size=20)
plt.imshow(z, origin='lower', interpolation='bicubic',
extent=(x.min(), x.max(), y.min(), y.max()))
plt.colorbar()
plt.show()