如果你使用的是numpy，那么不要使用math模块。Numpy和所有内置的数学函数一样，但它们在numpy数组上的工作要好得多。我们可以在网格的帮助下计算所有B，d值的nu。
meshgrid可以获取2个1D数组，并返回2个2D数组，使得数组中的每个索引对应于原始1D数组中的唯一元素对。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

b = np.arange(0.2, 3.2, 0.2)
d = np.arange(0.1, 1.0, 0.1)

B, D = np.meshgrid(b, d)
nu = np.sqrt( 1 + (2*D*B)**2 ) / np.sqrt( (1-B**2)**2 + (2*D*B)**2)

fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(B, D, nu)
plt.xlabel('b')
plt.ylabel('d')
plt.show()

这产生：

此外，3D图往往会阻止看到所有数据（因为尖峰隐藏了它后面的东西）。我建议使用pcolormesh或contourf plot。在后一种情况下，最后6行变为：

plt.contourf(B, D, nu)
plt.colorbar()
plt.xlabel('b')
plt.ylabel('d')
plt.show()

其产生：

这应该可以工作：我不是PythonMaven，特别是两个for循环可能非常不符合Python，但它完成了工作。

import math
import matplotlib.pyplot as plt
import numpy as np

b = np.arange(0.2, 3.2, 0.2)
d = np.arange(0.1, 1.0, 0.1)
nu = np.zeros( (b.size, d.size) )
counter_y = 0

for deta in d:
    counter_x = 0
    for beta in b:
        nu[counter_x, counter_y] = math.sqrt( 1 + (2*deta*beta)**2 ) / math.sqrt( (1-beta**2)**2 + (2*deta*beta)**2)
        counter_x += 1
    counter_y += 1

X, Y = np.meshgrid(d, b)

fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
ax.plot_surface(X, Y, nu)

你需要先创建一个matplotlib figure。

fig = plt.figure()
ax = Axes3D(fig)
ax.plot(b, d, nu)
plt.show()

此外，所有变量的大小应该相同。因此，变量d应该是一个与其他变量相同长度的数组。
如果你把你的变量d变成0.1的数组，长度510，你会得到如下结果。

import math
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

nu = []
b = [0.1 + i / 100 for i in range(0, 510)]
d = 0.1

for beta in b:
    nu.append( math.sqrt(1+(2*d*beta)**2)/ math.sqrt((1-beta**2)**2+(2*d*beta)**2))

#turned d into array of length 510 with 0.1 for each value
d = np.ones(510)*0.1

fig = plt.figure()
ax = Axes3D(fig)
ax.plot(b, d, nu)
plt.show()

你会得到：