我要评论在数据可视化、科学计算和工程设计领域，三维图形能更直观地呈现数据关系和空间结构。本文将深入讲解 python 中主流的三维绘图库，对比其优缺点，通过实战代码示例帮助大家快速上手，并拓展高级应用场景，让你的数据 “立” 起来！
一、三维绘图库对比
python 生态中有多个成熟的三维绘图库，不同库的设计理念和适用场景差异较大。选择合适的工具，能让绘图效率翻倍。
1. matplotlib
核心定位：python 最基础的绘图库，mplot3d是其扩展的三维模块，适合快速生成简单三维图。
优点：
- 入门门槛低，熟悉 matplotlib 二维绘图的用户可无缝迁移；
- 支持多种三维图形类型（散点图、线图、曲面图等）；
- 可与 numpy、pandas 等数据处理库无缝衔接；
- 生成的图形支持高分辨率导出（png、svg、pdf 等）。
缺点：
- 交互性差，默认生成静态图，需额外集成mpl_toolkits.mplot3d的交互工具；
- 绘制复杂场景（如大量数据点、动态效果）时性能较差；
- 对三维模型的细节渲染能力有限（如光照、纹理）。
适用场景：快速生成静态三维数据图表（如科学论文中的数据可视化、简单函数曲面）。
2. plotly
核心定位：交互式可视化库，支持网页端三维图形展示，适合需要动态交互的场景。
优点：
- 交互性极强，支持鼠标拖拽旋转、缩放、hover 显示数据详情；
- 无需额外代码，生成的图形可直接嵌入网页（支持 html 导出）；
- 支持复杂三维场景（如 3d 网格图、体积图、三维散点动画）；
- 社区文档丰富，示例覆盖多领域。
缺点：
- 静态图导出功能较弱，默认依赖网页渲染；
- 大量数据（如 10 万 + 点）绘制时会出现卡顿；
- 自定义样式（如颜色映射、坐标轴刻度）需学习特定 api。
适用场景：web 端交互式报告、数据 dashboard、动态三维演示。
3. pyvista 与 jupyter notebook 集成
pyvista 是基于 vtk 的高级封装库，旨在简化三维数据可视化流程，同时保留 vtk 的强大功能。
优点：
- 比 mayavi 更简洁的 api，学习曲线平缓
- 与 numpy、pandas 等科学计算库无缝集成
- 出色的 3d 交互体验，支持复杂网格和体数据可视化
- 丰富的过滤和分析工具，适合工程和科学应用
- 良好的 jupyter notebook 支持
缺点：
- 对于简单可视化任务可能显得过于重量级
- 文档相对 plotly 不够完善
- 某些高级功能仍需了解 vtk 概念
二、实战代码示例：从基础到进阶
下面通过 3 个典型场景，演示不同库的三维绘图用法。所有示例均基于 python 3.9+，需提前安装依赖（如pip install matplotlib plotly mayavi numpy）。
示例 1：matplotlib 绘制三维函数曲面
需求：绘制函数
的曲面图，展示极坐标下的周期性变化。
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d
# 1. 生成数据
x = np.linspace(-10, 10, 100) # x轴范围：-10到10，取100个点
y = np.linspace(-10, 10, 100) # y轴范围：-10到10，取100个点
x, y = np.meshgrid(x, y) # 生成网格数据（二维数组）
z = np.sin(np.sqrt(x**2 + y**2)) # 计算z值
# 2. 创建三维画布
fig = plt.figure(figsize=(10, 8)) # 设置画布大小
ax = fig.add_subplot(111, projection='3d') # 创建3d子图
# 3. 绘制曲面图
surf = ax.plot_surface(
x, y, z,
cmap='viridis', # 颜色映射（可选：plasma、coolwarm等）
alpha=0.8, # 透明度
linewidth=0.1 # 网格线宽度
)
# 4. 自定义样式
ax.set_xlabel('x axis', fontsize=12, labelpad=10) # x轴标签
ax.set_ylabel('y axis', fontsize=12, labelpad=10) # y轴标签
ax.set_zlabel('z axis', fontsize=12, labelpad=10) # z轴标签
ax.set_title(r'$z = \sin(\sqrt{x^2 + y^2})$', fontsize=15, pad=20) # 标题（支持latex）
# 添加颜色条（显示z值与颜色的对应关系）
fig.colorbar(surf, ax=ax, shrink=0.5, aspect=10, label='z value')
# 5. 保存与显示
plt.savefig('3d_surface_matplotlib.png', dpi=300, bbox_inches='tight') # 高分辨率保存
plt.show()
效果说明：生成静态曲面图，颜色随 z 值渐变，可通过鼠标拖动调整视角，但无法在网页中交互。适合插入报告或论文。
示例 2：plotly 绘制交互式三维散点图
需求：模拟 3 组不同类别的数据点（如聚类结果），用三维散点图展示类别分布，支持鼠标交互。
import plotly.graph_objects as go
import numpy as np
# 1. 生成模拟数据（3个类别，每个类别500个点）
np.random.seed(42) # 固定随机种子，保证结果可复现
# 类别1：均值(0,0,0)，标准差0.5
x1 = np.random.normal(0, 0.5, 500)
y1 = np.random.normal(0, 0.5, 500)
z1 = np.random.normal(0, 0.5, 500)
# 类别2：均值(3,3,3)，标准差0.5
x2 = np.random.normal(3, 0.5, 500)
y2 = np.random.normal(3, 0.5, 500)
z2 = np.random.normal(3, 0.5, 500)
# 类别3：均值(6,0,3)，标准差0.5
x3 = np.random.normal(6, 0.5, 500)
y3 = np.random.normal(0, 0.5, 500)
z3 = np.random.normal(3, 0.5, 500)
# 2. 创建三维散点图
fig = go.figure()
# 添加3个类别的散点
fig.add_trace(go.scatter3d(
x=x1, y=y1, z=z1,
mode='markers', # 标记类型：散点
marker=dict(
size=3, # 点大小
color='red', # 颜色
opacity=0.7 # 透明度
),
name='class 1' # 图例名称
))
fig.add_trace(go.scatter3d(
x=x2, y=y2, z=z2,
mode='markers',
marker=dict(size=3, color='blue', opacity=0.7),
name='class 2'
))
fig.add_trace(go.scatter3d(
x=x3, y=y3, z=z3,
mode='markers',
marker=dict(size=3, color='green', opacity=0.7),
name='class 3'
))
# 3. 自定义布局
fig.update_layout(
title='3d scatter plot of 3 classes (interactive)',
title_font=dict(size=16),
scene=dict(
xaxis_title='x feature',
yaxis_title='y feature',
zaxis_title='z feature',
xaxis=dict(backgroundcolor='rgba(240,240,240,0.5)'), # x轴背景色
yaxis=dict(backgroundcolor='rgba(240,240,240,0.5)'), # y轴背景色
zaxis=dict(backgroundcolor='rgba(240,240,240,0.5)') # z轴背景色
),
legend=dict(
x=0.1, y=0.9, # 图例位置
font=dict(size=12)
),
width=800, height=600 # 图大小
)
# 4. 保存与展示
fig.write_html('3d_scatter_plotly.html') # 导出为html（支持网页打开）
fig.show() # 本地展示（默认打开浏览器）效果说明：打开 html 文件后，可通过鼠标拖拽旋转视角、滚轮缩放，hover 时显示每个点的坐标，点击图例可隐藏 / 显示对应类别。适合 web 端分享或动态演示。
案例 3：使用 pyvista 可视化复杂三维网格和体数据
pyvista 特别擅长处理三维网格数据和体数据，下面示例展示如何创建并可视化一个复杂的三维结构：
import pyvista as pv
import numpy as np
# 确保中文显示正常
pv.set_plot_theme("document")
# 1. 创建一个复杂的三维网格 - 带孔的立方体
# 创建一个基础立方体
cube = pv.cube(x_length=2, y_length=2, z_length=2)
# 对立方体进行三角形化处理，使用更精细的参数
cube = cube.triangulate(progress_bar=false)
# 在立方体上打几个孔
spheres = [
pv.sphere(radius=0.5, center=(0.5, 0, 0)),
pv.sphere(radius=0.5, center=(-0.5, 0, 0)),
pv.sphere(radius=0.5, center=(0, 0.5, 0)),
pv.sphere(radius=0.5, center=(0, -0.5, 0))
]
# 布尔运算：从立方体中减去球体（创建孔洞）
tolerance = 1e-6 # 设置容差
for sphere in spheres:
# 对球体进行更彻底的三角形化
sphere = sphere.triangulate(progress_bar=false)
# 确保网格质量
if not sphere.is_all_triangles:
sphere = sphere.triangulate(progress_bar=false)
# 执行布尔运算时指定容差
cube = cube.boolean_difference(
sphere,
tolerance=tolerance,
progress_bar=false
)
# 确保结果是三角形网格
if not cube.is_all_triangles:
cube = cube.triangulate(progress_bar=false)
# 检查是否有有效数据
if cube.n_points == 0 or cube.n_cells == 0:
print("警告：布尔运算后网格为空，调整容差或几何参数")
# 适当增大容差重试
tolerance *= 2
# 重新创建立方体以避免累积错误
cube = pv.cube(x_length=2, y_length=2, z_length=2).triangulate()
# 2. 创建体数据 - 立方体内部的标量场
# 生成网格点
x = np.linspace(-1, 1, 50)
y = np.linspace(-1, 1, 50)
z = np.linspace(-1, 1, 50)
grid = pv.rectilineargrid(x, y, z)
# 在网格上创建一个复杂的标量场
xx, yy, zz = grid.points.t
scalar_field = np.sin(5 * xx) * np.cos(5 * yy) * np.sin(5 * zz) + 0.5 * xx
# 将标量场添加到网格
grid["scalar_field"] = scalar_field
# 3. 创建可视化场景
p = pv.plotter(notebook=false, window_size=[1000, 800])
# 添加立方体网格
p.add_mesh(
cube,
color="white",
show_edges=true,
edge_color="black",
opacity=0.3,
label="带孔立方体"
)
# 添加体数据的等值面
contours = grid.contour([-0.8, -0.4, 0, 0.4, 0.8])
p.add_mesh(
contours,
cmap="coolwarm",
opacity=0.8,
label="标量场等值面"
)
# 添加坐标轴和标题
p.add_axes()
p.add_title("pyvista三维网格与体数据可视化")
p.add_legend()
# 设置相机位置
p.camera_position = [
(5, 5, 5), # 相机位置
(0, 0, 0), # 焦点
(0, 1, 0) # 上方向
]
# 显示场景
p.show()
# 4. 进阶：创建交互式切片
p = pv.plotter(notebook=false, window_size=[1000, 800])
p.add_mesh(grid.contour([0]), cmap="coolwarm", label="标量场等值面")
# 添加可交互的切片平面
p.add_slice(grid, normal="x", show_edges=true)
p.add_slice(grid, normal="y", show_edges=true)
p.add_axes()
p.add_title("交互式体数据切片")
p.add_legend()
p.show()
总结
选择合适的三维绘图库应根据具体需求：
- 快速原型设计和简单可视化：优先选择 matplotlib，学习成本低，集成方便
- 交互式展示和网页分享：选择 plotly，其生成的交互式图表体验最佳
- 科学计算和工程应用：选择 pyvista，它提供了强大的三维网格和体数据处理能力，api 友好，同时保留了 vtk 的强大功能，适合处理复杂的科学和工程数据。
三维可视化是探索数据空间特征的强大工具，通过本文介绍的方法和技巧，你可以根据项目需求选择合适的工具，创建既美观又有信息量的三维图形。
以上就是从基础到进阶详解python绘制三维图形的全攻略的详细内容，更多关于python绘制三维图形的资料请关注代码网其它相关文章！
发表评论