Python 数据可视化全场景实现（二）：三维数据可视化实战

在数据分析与学术研究中，二维图表往往难以全面展示复杂数据的空间关系和分布特征。而三维可视化能够更直观地呈现数据的多维度信息，无论是展示函数曲面、对比分组数据，还是分析空间分布，三维图表都能发挥独特作用。本文将基于 Python 的matplotlib库，结合mpl_toolkits.mplot3d模块，通过五个经典案例，详细讲解三维数据可视化的实现方法，并提供完整可复用的代码。

一、环境配置与基础设置

在开始可视化之前，我们需要导入必要的库，并进行全局参数设置，确保生成的图表符合学术规范且美观清晰。

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

# 通用设置
plt.rcParams.update({
    'font.family': 'Arial',  # 使用学术常用字体
    'font.size': 10,
    'axes.titlesize': 12,
    'axes.labelsize': 10,
    'figure.dpi': 300,  # 高分辨率输出
  'savefig.bbox': 'tight',  # 自动裁剪白边
  'savefig.transparent': False
})
np.random.seed(42)  # 固定随机种子

上述代码中，plt.rcParams.update用于设置全局绘图参数，包括字体、字号、分辨率等；np.random.seed(42)确保随机生成的数据可复现，方便调试和结果验证。

二、三维可视化案例详解

案例 1：三维曲面图

三维曲面图常用于展示二元函数的空间形态，在物理、数学、工程等领域应用广泛。

def plot_surface():
    # 生成数据
    X = np.arange(-5, 5, 0.25)
    Y = np.arange(-5, 5, 0.25)
    X, Y = np.meshgrid(X, Y)
    Z = np.sin(np.sqrt(X ** 2 + Y ** 2))

    # 创建图表
    fig = plt.figure(figsize=(6, 5))
    ax = fig.add_subplot(111, projection='3d')

    # 绘制曲面
    surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm,
                           rstride=1, cstride=1,
                           linewidth=0, antialiased=True)

    # 设置标签和标题
    ax.set_title("3D Surface Visualization", pad=15)
    ax.set_xlabel("X Axis", labelpad=10)
    ax.set_ylabel("Y Axis", labelpad=10)
    ax.set_zlabel("Z Value", labelpad=10)

    # 颜色条
    cbar = fig.colorbar(surf, shrink=0.5, aspect=10)
    cbar.set