当前位置：首页>python>Python | 手把手教你绘制3维核密度图附完整代码

Python | 手把手教你绘制3维核密度图附完整代码

2026-10-01 15:45:16

在做时序数据分析时，很多朋友习惯用折线图、柱状图或者箱线图来展示变化趋势。但如果你想进一步表达某个指标在不同年份下的分布演化特征，比如整体右移、多峰分布、离散程度变化等，普通二维图往往就显得不够直观。

这时候，三维核密度图（3D Kernel Density Plot）就是一种非常实用的表达方式。

最近我也用 Python 尝试复现了这类图形，发现它不仅能用于论文插图，也很适合展示区域差异、时序演变以及分布结构变化。今天这篇文章，就分享一下绘图代码。文末可免费无套路获取！

什么是三维核密度图？

三维核密度图，本质上就是把不同时间截面上的核密度曲线沿着时间轴堆叠起来，从而形成一个三维分布演化图。

通常它的三个坐标轴分别表示：

X轴：指标值

Y轴：年份或时间

Z轴：核密度值

这样的图比单纯的折线图更适合表达：

指标分布是否整体向高值或低值方向移动

分布形态是否由单峰变成多峰

区域差异是否扩大或缩小

不同年份之间的分布集中度是否发生变化

也就是说，它不仅能看“均值变化”，还能看“分布变化”。

什么样的数据适合画三维核密度图？

这里有一个非常关键的问题：

一个年份下必须有多个样本值，才能计算核密度。

例如，下面这种数据是可以的：

year	region	sample_id	value
2014	East	1	0.31
2014	East	2	0.28
2014	East	3	0.35
2015	East	1	0.32

因为在同一个年份下，你有一组样本值，可以估计这一年的分布。

但如果你的数据是下面这样：

year	region	value
2014	East	0.31
2015	East	0.32
2016	East	0.34

那么每年只有一个值，这种情况下就不能严格计算核密度。它更适合画折线图或趋势图，而不是核密度图。

所以，在正式绘图之前，一定要先检查你的数据结构是否满足要求。

Python绘制三维核密度图需要哪些库？

这类图的绘制并不复杂，主要会用到以下几个常见库：

pandas：用来读取和整理表格数据

numpy：用来生成绘图网格

scipy.stats：用来计算核密度

matplotlib：用来绘制三维图形

绘图思路是什么？

整体思路其实很清晰，可以概括以下几步：

1、导入需要的库，这一部分主要是导入数据处理、核密度估计和三维绘图所需的 Python 库。

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import gaussian_kdefrom mpl_toolkits.mplot3d import Axes3D

2、读取数据并设置字体。这一步是读取 CSV 数据，同时设置字体为 Times New Roman，避免图中英文字体不统一。

file_path = r"G:\Maping\demo\agri_green_kde_sample.csv"df = pd.read_csv(file_path)plt.rcParams["font.family"] = "Times New Roman"plt.rcParams["axes.unicode_minus"] = False

3、数据预处理。这里主要是统一字段类型，并且可选地减少每个“地区-年份”分组中的样本数，从而让三维网格面不要过密。

df["year"] = df["year"].astype(int)df["region"] = df["region"].astype(str)df["sample_id"] = df["sample_id"].astype(str)df["value"] = df["value"].astype(float)sample_n_per_group = 10if sample_n_per_group isnotNone:    df = (        df.groupby(["region", "year"], group_keys=False)          .apply(lambda x: x.sample(              n=min(sample_n_per_group, len(x)),              random_state=42          ))          .reset_index(drop=True)    )regions = sorted(df["region"].unique())years = sorted(df["year"].unique())

4、设置画布和子图布局。由于这里要展示 8 个地区，因此把整体图形设置为 2 行 4 列，并准备好每个子图对应的编号 (a)~(h)。

nrows, ncols = 2, 4fig = plt.figure(figsize=(24, 10))panel_labels = list("abcdefgh")

5、设置横轴范围和绘图网格。这一步是生成核密度计算所需的横轴网格。把横轴网格点数量适当减少，可以让曲面网格不那么密集，整体看起来更清爽。

x_min = df["value"].min() - 0.03x_max = df["value"].max() + 0.03x_grid = np.linspace(x_min, x_max, 120)

6、预先计算各地区各年份的核密度这一部分是整个绘图的核心：对每个地区、每个年份的数据分别进行核密度估计，并保存结果，方便后面统一绘制三维曲面。

global_zmax = 0kde_dict = {}for region in regions:    Z_list = []    for year in years:        vals = df.loc[            (df["region"] == region) & (df["year"] == year),            "value"        ].dropna().values        iflen(vals) < 2or np.std(vals) == 0:            z = np.zeros_like(x_grid)        else:            kde = gaussian_kde(vals, bw_method=0.35)            z = kde(x_grid)        Z_list.append(z)        global_zmax = max(global_zmax, z.max())    kde_dict[region] = np.array(Z_list)

7、绘制 2×4 的三维核密度图。这一步就是正式作图。每个地区对应一个子图，使用绘制三维核密度曲面，并叠加年份轮廓线增强层次感。同时，把子图标题改为，并手动把 Z 轴标题放到左侧。

for i, region inenumerate(regions[:8], start=1):    ax = fig.add_subplot(nrows, ncols, i, projection="3d")    Z = kde_dict[region]    X = np.tile(x_grid, (len(years), 1))    Y = np.tile(np.array(years).reshape(-1, 1), (1, len(x_grid)))    surf = ax.plot_surface(        X, Y, Z,        cmap="viridis",        edgecolor="white",        linewidth=0.25,        antialiased=True,        alpha=0.95,        rstride=1,        cstride=1    )    for j, year inenumerate(years):        ax.plot(            x_grid,            np.full_like(x_grid, year),            Z[j, :],            color="black",            linewidth=0.45,            alpha=0.6        )    ax.set_title(f"({panel_labels[i-1]})", fontsize=14, pad=8)    ax.set_xlabel("Agricultural Green Development", fontsize=10, labelpad=8)    ax.set_ylabel("Year", fontsize=10, labelpad=8)    ax.set_zlabel("")    ax.text2D(        -0.10, 0.52, "Kernel Density",        transform=ax.transAxes,        rotation=90,        va="center",        ha="center",        fontsize=10    )    ax.set_xlim(x_min, x_max)    ax.set_ylim(min(years), max(years))    ax.set_zlim(0, global_zmax * 1.05)    ax.set_yticks(years[::2] iflen(years) > 6else years)    ax.tick_params(axis="both", which="major", labelsize=8)    ax.tick_params(axis="z", which="major", labelsize=8)    ax.view_init(elev=24, azim=-125)    ax.xaxis.pane.fill = False    ax.yaxis.pane.fill = False    ax.zaxis.pane.fill = False    ax.grid(True, linestyle="--", alpha=0.2)