这一小节，我们来绘制三维图像。二维图像可以表示两个变量在空间中的分布，三维图像可以表示三个变量在空间中的分布。通过对三维数据进行可视化，使得我们可以更加直观的理解数据。
在中学的时候，我们接触的函数基本都是一元二次函数，如
它的几何表达如下图所示：
一元二次方程.png
到了大学的时候，我们接触到函数就变得更加复杂了，如二元二次函数，甚至有更加复杂（维度更高）的函数。
上述函数表达式的几何图如下图所示：
二元二次函数.png
三维图像的绘制过程：
别的不多说了，先绘制一个三维曲面，直接上代码。
import numpy as np
import matplotlib.pyplot as plt
#绘制三维图形必须导入的工具包
from mpl_toolkits.mplot3d import Axes3D
#创建三维数据
xx = np.arange(-5,5,0.1)
yy = np.arange(-5,5,0.1)
#使用np.meshgrid()方法，将X,Y转化二维平面数据。此处可以使用print(X)观察X,Y的真实面貌。
X,Y = np.meshgrid(xx,yy)
Z = np.sin(X) + np.cos(Y)
#开始绘制三维图形
#创建三维图形的窗口（布局）
fig = plt.figure(figsize = (5,5))
ax1 = Axes3D(fig)#还可以使用plt.axes(projection = '3d)，两者的效果是一样的。
#使用plot_surface()绘制三维曲面图
ax1.plot_surface(X,Y,Z,cmap = 'rainbow')
#绘制等高线图
#参数说明：zdir：投影的方向，可以指定为x,y或z；
#offset：等高线图所在的位置，这个例子中，我们向z轴投影，所以offset指定为z方向的最小值。
ax1.contour(X,Y,Z,zdir = 'z',offset = -2,cmap = 'rainbow')
如下图所示，底部是该函数的等高线图。
plot_surface.png
案例演示
以iris数据集为例，来展示各个样本在空间中的分布。由于该数据集有四个变量，我们选择其中的三个来进行展示。
iris数据集链接：
链接：https://pan.baidu.com/s/1h9TpTuz_7iBPk7WmpZdn8w
提取码：pr9p
#读取数据集
columns = ['petal length','petal width','calyx length','calyx width','category']
iris = pd.read_csv('D:\\Py_dataset\\iris.data',names = columns,sep = ',')
#分离特征和标签
Y = iris['category'].values
X = iris.drop('category',axis = 1).values
#绘制样本在空间中的分布
fig = plt.figure(figsize = (6,6))
ax1 = Axes3D(fig)
for lab,color,category in zip(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'],['red','green','blue'],['Iris-setosa', 'Iris-versicolor', 'Iris-virginica']):
#三维散点图使用的是scatter3D
ax1.scatter3D(X[Y == lab,0],#第一个特征
X[Y == lab,1],#第二个特征
X[Y == lab,2],#第三个特征
label = category,#样本的标签
c = color)
ax1.set_xlabel('petal length')
ax1.set_ylabel('petal width')
ax1.set_zlabel('calyx length')
ax1.legend(loc = 'lower right')
iris样本的空间分布.png
三维图形绘制小结：
1.数据可视化贯穿于数据分析过程的始终，便于我们更加直观的理解数据。
2.绘图的过程是一个不断积累的过程，现实世界中的图形非常繁多，总会有我们不认识的。对于以前没有碰到过图形，我们可以直接在网上搜索，基本上都有模板可以参考。
