Matplotlib 3D 绘图基础

Matplotlib 不仅可以绘制二维图形，也支持基础的三维可视化。在数据分析、科学计算和教学演示中，二维图通常已经能够表达大量信息，但当数据同时涉及三个变量，或者我们希望展示空间轨迹、曲面形状、立体分布时，三维图就具有明显优势。

例如，在二维坐标系中，一条曲线只能表现横轴与纵轴之间的关系；而在三维坐标系中，点、线和面都可以在空间中展开，从而帮助我们观察更复杂的结构。螺旋线、空间点云、函数曲面、立体柱状图等，都是典型的三维可视化对象。Matplotlib 对这些图形提供了基础支持，因此，掌握三维绘图的基本方法，是理解 Matplotlib 图形体系的重要延伸。

一、什么是 Matplotlib 的三维绘图

在二维绘图中，我们主要处理两个坐标轴：横轴 x 与纵轴 y。而在三维绘图中，会进一步引入 z 轴，用来表示第三个方向上的位置或数值变化。这样，数据点就不再只落在一个平面上，而是被放置在三维空间中进行观察。

Matplotlib 的三维绘图主要依赖 mplot3d 工具包。它不是一个与 Matplotlib 完全分离的独立系统，而是在原有绘图框架上的扩展。因此，三维绘图依然延续 Matplotlib 的基本思想：先创建图形对象，再创建坐标轴对象，最后在坐标轴上绘制图形。换句话说，三维绘图并不是一种全新的绘图思路，而是二维绘图在空间维度上的自然扩展。

通常，我们仍然先导入最基础的两个库：

import numpy as np

其中：

matplotlib.pyplot 用于创建图形、坐标轴以及控制图形显示；

numpy 用于构造数值数据，尤其适合生成曲线、网格和曲面数据。

二、三维坐标轴是如何创建的

学习 Matplotlib 三维绘图时，首先要理解三维坐标轴的创建方式。因为只有创建出三维坐标轴，后续的散点图、折线图、曲面图等才有意义。

在较早资料中，常见到以下导入方式：

from mpl_toolkits.mplot3d import Axes3D

但在当前常用写法中，通常直接通过 projection='3d' 创建三维坐标轴即可。例如：

ax = plt.axes(projection='3d')

或者：

ax = fig.add_subplot(111, projection='3d')

这两种方式本质上都可以创建三维坐标轴对象。对于初学者来说，第二种写法通常更清楚，因为它明确表明：这个三维坐标轴 ax 属于哪个 Figure 对象。也就是说，三维绘图仍然遵循“图形对象—坐标轴对象”的结构关系，只是这里的坐标轴不再是二维平面，而是三维空间中的绘图区。

三、Matplotlib 三维绘图的基本思路

虽然三维图在视觉上比二维图复杂，但它的绘图流程与二维图并没有本质区别。一般来说，可以概括为以下几个步骤。

1、准备数据

先构造 x、y、z 数据。

如果是三维散点图或三维折线图，通常直接准备三个一维数组即可；

如果是三维曲面图或三维等高线图，则通常需要先构造二维网格数据。

2、创建三维坐标轴

通过 projection='3d' 创建三维坐标轴对象 ax。

3、选择图形类型并绘制

例如：

ax.contour(...)：绘制三维等高线图

4、补充图形信息

包括：

plt.show()：显示图形

说明：可根据图形布局需要使用 plt.tight_layout() 或其他布局控制方式。

从结构上看，三维绘图并没有脱离 Matplotlib 的通用模式。真正需要额外注意的，是不同图形对数据组织方式的要求并不完全一样。

四、三维绘图中最常见的图形类型

Matplotlib 支持多种三维图形。最常见、也最值得先掌握的，主要是以下几类。

1、三维散点图

三维散点图使用三个坐标值 (x, y, z) 来唯一确定一个点，因此它适合展示离散点在空间中的分布情况。

ax.scatter(xs, ys, zs)

它常用于：

• 观察三维数据的空间分布

• 比较样本在三个变量上的位置

• 展示随机点云或聚类结果

2、三维折线图

三维折线图用于绘制一条在空间中连续变化的轨迹。

ax.plot(xs, ys, zs)

与二维折线图相比，它多了一个 z 方向，因此更适合展示：

• 空间轨迹

• 螺旋线、参数曲线

• 某个变量随路径连续变化的过程

3、三维曲面图

三维曲面图用于展示二元函数的整体形状。

ax.plot_surface(X, Y, Z)

这里的 X、Y 和 Z 通常都是二维数组，它们共同描述平面上每个网格点的位置和该位置的高度值。因此，曲面图特别适合：

• 数学函数图像

• 地形高度图

• 二维输入、单一输出的函数关系可视化

4、三维柱状图

三维柱状图在三维空间中绘制立体柱体。

ax.bar3d(x, y, z, dx, dy, dz)

其中：

x、y、z 表示柱体底部起点；

dx、dy、dz 表示柱体在三个方向上的尺寸。

它适合用于：

• 多组分类数据的立体对比

• 展示“位置 + 高度”型数据

5、三维等高线图

在三维坐标轴对象 ax 上，可使用：

ax.contour(X, Y, Z)

绘制三维等高线。它本质上是在 3D 坐标系中展示等值线。

它有时也会配合投影一起使用，以帮助观察曲面高度的层级变化，因此适合：

• 分析曲面的层级结构

• 配合曲面图一起使用，增强对高度变化的理解

五、案例一：3D 散点图

三维散点图是最适合入门的图形之一，因为它的数据组织方式最直接：只要准备三个一维数组，就可以构成一组三维坐标点。

plt.show()

1、np.random.normal(0, 1, 100) 表示生成 100 个服从正态分布的随机数，因此点云大致会集中在原点附近，但会向三维空间中随机散开。

2、三维坐标轴是通过：

ax = fig.add_subplot(111, projection='3d')

或者：

fig, ax = plt.subplots(subplot_kw={"projection": "3d"})

创建出来的。这说明当前子图是一个三维投影坐标轴，而不是普通二维坐标轴。

3、scatter() 会把 x[i]、y[i]、z[i] 组合成一个空间点，因此 100 个元素会形成 100 个三维散点。

绘制出来的结果通常表现为一团分布在空间中的红色点。它本质上展示的是三组随机变量在三维空间中的联合分布情况。虽然这里的数据是随机生成的，但这种图形在数据探索中很常见。例如，当我们有三个数值特征时，就可以用三维散点图初步观察：

• 点是否集中；

• 是否存在明显的空间分层；

• 是否可能存在离群点。

六、案例二：3D 螺旋线与曲面图

三维绘图不仅可以单独展示一种图形，也可以与子图机制结合起来，形成对比展示。下面这个例子在同一张画布中放置两个三维子图：左侧绘制螺旋线，右侧绘制曲面图。它有助于同时理解“空间轨迹”和“空间曲面”这两种不同的数据表达方式。

plt.show()

1、关于螺旋线图

（1）为什么 x 和 y 会形成圆周运动

在这个例子中：

y1 = np.sin(t)

这是参数方程中最经典的一组组合。因为对于任意参数 t，点 (cos(t), sin(t)) 都会落在单位圆上，所以从俯视角度看，这条曲线会绕着原点做圆周运动。

（2）为什么会变成螺旋线

如果只有 x = cos(t) 和 y = sin(t)，那么得到的只是二维平面中的圆。现在再加入：

z1 = t

这意味着随着参数 t 增大，点在 z 方向不断上升。于是，原本平面中的圆周运动就被“拉伸”为一条向上盘旋的空间曲线，也就是螺旋线。

（3）它适合表达什么

这类图常用于说明：

• 参数曲线

• 周期运动与线性增长的结合

• 三维轨迹的连续变化

2、关于曲面图

（1）为什么曲面图通常要使用网格数据

三维曲面图不是简单地给出三个一维数组，而通常需要一个二维网格。也就是说，要先在平面上生成一系列 x 和 y 的组合点，再计算每个位置对应的函数值 z。例如：

Z2 = np.sin(np.sqrt(X2**2 + Y2**2))

这里的 X2 和 Y2 表示平面上的网格点坐标，而 Z2 表示对应位置的高度。只有在这样的网格结构上，plot_surface() 才能把这些点连接成连续的曲面。

（2）这个函数图像有什么特征

函数：

Z = sin(sqrt(X^2 + Y^2))

表示高度只与点到原点的距离有关，因此图像通常会呈现一种以原点为中心向外扩散的波纹效果。它很像水面上出现的同心波。

（3）cmap='viridis' 的作用

cmap 用于设置颜色映射方案。曲面图中不同高度会对应不同颜色，因此颜色本身也在帮助表达数值变化。viridis 是 Matplotlib 中较常用的一种渐变配色，层次清晰，适合展示连续数值变化。

（4）edgecolor='none' 的作用

它表示不绘制曲面网格边界线。这样图面会更平滑，更适合观察整体形状。如果保留边界线，图会更强调网格结构，但也可能显得更密、更杂。

七、如何理解三维图的“观看角度”

与二维图相比，三维图还有一个非常重要的问题：同一组数据，从不同角度观察，视觉效果可能差异很大。

例如：

螺旋线从正面看，像一条起伏的曲线；

从上方俯视时，更像一个圆；

曲面图从斜上方看，更容易看出高低起伏；

从正侧面看，则可能只看到局部轮廓。

在实际绘图中，可以通过下列方法调节观察角度：

ax.view_init(elev=30, azim=45, roll=15)

其中：

• elev=30：俯视角（elevation），表示观察者相对于水平面的高低角度

• azim=45：方位角（azimuth），表示观察者围绕竖直轴旋转的角度

• roll=15：滚转角，围绕 viewing axis（视线轴）旋转的角度

例如，在前面的螺旋线示例中加上一句：

ax1.view_init(elev=25, azim=45)

就可以让读者更容易看出它的盘旋上升结构。

说明：在基础使用中，roll 参数可以省略，此时通常只调整 elev 与 azim。

对于三维图来说，视角并不是纯粹的“美化参数”，而是图形表达的一部分。同一张图，如果视角选择不合适，可能会让空间关系变得难以判断。因此，学习三维绘图时，应有意识地把“选择观察角度”也纳入绘图过程。

八、三维绘图中常见的问题

Matplotlib 的 3D 功能适合教学演示、基础可视化与轻量实验；若需要更复杂的交互式三维场景，往往还需要专门的 3D 可视化工具。

在初学阶段，三维绘图经常会遇到以下几类问题。

1、忘记创建三维坐标轴

如果只是写：

ax = fig.add_subplot(111)

那么创建出来的是二维坐标轴，而不是三维坐标轴。此时后续再传入三维数据时，就会报错或表现异常。因此必须加上：

projection='3d'

2、曲面图的数据维度不匹配

plot_surface(X, Y, Z) 要求 X、Y、Z 的形状一致，通常都是二维数组。如果直接传入一维数组，往往无法正确绘制曲面。

3、引号格式错误

有些课件或文档中的代码片段可能使用排版引号，如 ‘ ’ 或 “ ”。这些引号在 Python 中不是合法的字符串定界符。编写代码时应统一使用英文半角引号，例如：

ax.scatter(x, y, z, color='red')

4、过度依赖三维图

三维图虽然直观，但也更容易因为视角、遮挡和透视效果造成阅读困难。因此在正式分析中，应根据任务选择图形，而不是为了“更立体”就一律改成三维图。很多情况下，二维图反而更清晰。

小结

Matplotlib 的三维绘图建立在二维绘图体系之上，核心在于创建三维坐标轴，并根据数据形状选择合适的绘图方法。入门阶段应重点掌握散点图、折线图、曲面图及视角调整方法，从而建立对三维数据表达方式的基本理解。

“点赞有美意，赞赏是鼓励”