Python 使用 Plotly 绘制从二维到六维的高维数据可视化

阿麦

发布时间：2026-10-13 | 7人浏览过

原创

本文详解如何利用 Python 的 Plotly 库，将汽车数据集从基础的二维散点图逐步扩展至六维可视化。通过引入颜色、大小、形状等视觉编码，分别映射油耗、发动机尺寸及车门数，实现多维数据的直观展示与规律分析。

引言与数据准备

内容来源参考自维基百科。

人类大脑通常最多只能直观感知三维空间，超出这一维度的空间想象极具挑战性。即便是在三维空间中，理解复杂的几何关系也往往令人感到吃力，因此在实际应用中，二维平面是最为常用的表达方式。

然而，我们依然有能力绘制出多维空间的数据分布。本文将演示如何使用 Python 中的 plotly 库，生成从三维到六维的图表，以直观展示高维数据的形态特征。

本次示例使用的数据来自 UCI 机器学习仓库中的真实汽车数据集。该数据集包含 205 个样本，每个样本拥有 26 个特征。为了演示高维绘制，我们从中选取了 6 个关键特征进行图形构建：

环境准备

首先，需要确保环境中已安装 plotly 库：

环境配置与基础二维绘图


pip install plotly

接着加载数据集（完整代码见文末）：


import pandas as pd 
data = pd.read_csv("cars.csv")

首先，我们绘制基础的二维图表，仅需选取 RPM 和 Speed 这两个特征即可实现：

绘制 2-D 图

具体代码实现如下：


import plotly 
import plotly.graph_objs as go 
 
#绘制散点图 
fig1 = go.Scatter(x=data['curb-weight'], 
         y=data['price'], 
         mode='markers') 
 
#绘制布局 
mylayout = go.Layout(xaxis=dict(title="curb-weight"), 
           yaxis=dict( title="price")) 
 
#绘图 html 
plotly.offline.plot({"data": [fig1], 
           "layout": mylayout}, 
           auto_open=True)

生成的图表可以保存为 html 文件，打开后即可生成交互式界面；同时，也支持将其保存为 png 静态图片。

接下来，通过增加特征维度来绘制三维图表。

绘制 3-D 图

利用 plotly 提供的 plot.Scatter3D 方法，可以方便地绘制三维散点图：

代码实现如下：

三维至六维可视化进阶


fig1 = go.Scatter3d(x=data['curb-weight'], 
          y=data['horsepower'], 
          z=data['price'], 
          marker=dict(opacity=0.9, 
                reversescale=True, 
                colorscale='Blues', 
                size=5), 
          line=dict (width=0.02), 
          mode='markers') 
 
mylayout = go.Layout(scene=dict(xaxis=dict( title="curb-weight"), 
                yaxis=dict( title="horsepower"), 
                zaxis=dict(title="price")),) 
 
plotly.offline.plot({"data": [fig1], 
           "layout": mylayout}, 
           auto_open=True, 
           filename=("3DPlot.html"))

那么，如何绘制更高维度的图表呢？显然，单纯扩展坐标轴的方式无法实现。这里有一个技巧：通过引入“虚拟维度”，利用不同的颜色、标记大小或形状类别来承载额外信息。借助这种方法，即可在三维基础上展示第四个维度。

绘制 4-D 图

在原有的三维图中，我们将第四个变量——车辆油耗（city-mpg）引入，并通过颜色的深浅来表征该变量。由此，我们成功绘制出了四维图。观察图表可以发现一个规律：当其他三个指标（马力、车身重量、车价格）越高时，车辆油耗往往越低。