### 7.1 使用 Matplotlib 和 Seaborn 绘制 3D 图表 在 Python 中，`Matplotlib` 提供了一个名为 `mpl_toolkits.mplot3d` 的模块来支持三维图表的绘制。通过该模块，可以轻松实现诸如表面图、线框图以及散点图等多种形式的 3D 可视化。 以下是使用 `Matplotlib` 创建一个简单的 3D 散点图的例子： ```python import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt fig = plt.figure() ax = fig.add_subplot(111, projection='3d') # 构造随机数据 x = np.random.standard_normal(100) y = np.random.standard_normal(100) z = np.random.standard_normal(100) # 绘制 3D 散点图 scatter = ax.scatter(x, y, z, c=z, cmap='viridis') plt.colorbar(scatter) # 设置坐标轴标签 ax.set_xlabel('X Label') ax.set_ylabel('Y Label') ax.set_zlabel('Z Label') plt.show() ``` 此代码片段展示了如何利用 `Axes3D` 对象生成并自定义一个带有颜色映射的 3D 散点图[^1]。 对于更加复杂的场景比如曲面图，则可以通过如下方式完成： ```python from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt import numpy as np fig = plt.figure() ax = fig.gca(projection='3d') # 定义网格范围 X = np.arange(-5, 5, 0.25) Y = np.arange(-5, 5, 0.25) X, Y = np.meshgrid(X, Y) R = np.sqrt(X**2 + Y**2) Z = np.sin(R) surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, linewidth=0, antialiased=False, cmap='coolwarm') fig.colorbar(surf, shrink=0.5, aspect=5) plt.show() ``` 这段脚本说明了怎样基于二维数组 X,Y 来计算对应的 Z 值，并最终呈现出一幅具有渐变色彩效果的立体波浪形图像[^1]。 ### 7.2 使用 Seaborn 进行统计分析与绘图 尽管 Seaborn 并不直接提供专门用于制作 3D 图像的功能，但它擅长于处理各种各样的统计数据展示需求。例如条形图、直方图、热力图等等都是其强项领域之一。 下面是一个关于鸢尾花数据集 (Iris dataset) 上应用 Seaborn 库来进行分类变量之间关系探索的例子： ```python import seaborn as sns sns.set_theme(style="whitegrid") tips = sns.load_dataset("tips") ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips) ``` 这里我们加载内置的数据源 “tips”，并通过调用 barplot 方法比较不同性别顾客每天消费金额差异情况[^2]。 另外值得一提的是，在实际项目开发过程中往往需要结合 Pandas DataFrame 结构存储原始资料后再传递给这些绘图函数操作；同时也可以借助其他第三方扩展包进一步增强功能特性满足特定业务逻辑下的复杂要求。 #### 总结 无论是基础还是高级别的数据分析任务都可以依靠这两个工具顺利完成。掌握它们不仅有助于提升工作效率还能让研究成果更具说服力和吸引力！