当前位置：首页>python>python数据可视化技巧的100个练习 -- 11. 客户数据的 3D 散点图

python数据可视化技巧的100个练习 -- 11. 客户数据的 3D 散点图

2026-10-11 06:49:22

python数据可视化技巧的100个练习 -- 11. 客户数据的 3D 散点图

重要性★★★★☆

难度★★★☆☆

一家零售公司希望在 3D 空间中可视化其客户数据，以便更好地了解客户年龄、年度消费和忠诚度积分之间的关系。

你的任务是使用 Python 创建一个 3D 散点图来表示这些数据。

公司为你提供了以下要求：

为 100 位客户生成随机数据，包含以下属性：

年龄：18 至 80 岁

年度消费：100 至 10,000 美元

忠诚度积分：0 至 1000 分

创建一个 3D 散点图，其中：

X 轴表示年龄

Y 轴表示年度消费

Z 轴表示忠诚度积分

每个点代表一个客户。

根据年龄组为点分配不同颜色：

18-30 岁：红色

31-50 岁：绿色

51-80 岁：蓝色

为图表添加适当的标签、标题和图例。

确保图表视觉上吸引人且易于解读。

你的代码应在单个脚本中包含数据生成和可视化。

专注于 Python 中高效的数据操作和可视化技术。

【数据生成代码示例】

import numpy as npnp.random.seed(42)age = np.random.randint(18, 81, 100)spending = np.random.uniform(100, 10001, 100)loyalty = np.random.randint(0, 1001, 100)

【图表答案】

【代码答案】

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D np.random.seed(42) age = np.random.randint(18, 81, 100) spending = np.random.uniform(100, 10001, 100) loyalty = np.random.randint(0, 1001, 100) fig = plt.figure(figsize=(10, 8)) ax = fig.add_subplot(111, projection='3d') # 根据年龄组定义颜色colors = ['red' if a <= 30 else 'green' if a <= 50 else 'blue' for a in age] scatter = ax.scatter(age, spending, loyalty, c=colors, s=50, alpha=0.6) ax.set_xlabel('年龄') ax.set_ylabel('年度消费（美元）') ax.set_zlabel('忠诚度积分') ax.set_title('客户数据的 3D 散点图') # 创建图例legend_elements = [plt.Line2D([0], [0], marker='o', color='w', label='18-30', markerfacecolor='r', markersize=10), plt.Line2D([0], [0], marker='o', color='w', label='31-50', markerfacecolor='g', markersize=10), plt.Line2D([0], [0], marker='o', color='w', label='51-80', markerfacecolor='b', markersize=10)] ax.legend(handles=legend_elements, title='年龄组') plt.tight_layout() plt.show()

这段代码创建了一个 3D 散点图，以根据年龄、年度消费和忠诚度积分可视化客户数据。

让我们逐步分析代码并解释关键概念：

数据生成：

我们使用 NumPy 的随机函数为 100 位客户生成数据。
np.random.randint() 用于年龄和忠诚度积分（整数值）。
np.random.uniform() 用于年度消费（浮点值）。
np.random.seed(42) 确保随机数据的可重复性。

NumPy（np）用于数值运算和数据生成。
Matplotlib（plt）用于创建图表。
mpl_toolkits.mplot3d 中的 Axes3D 用于 3D 绘图功能。

创建 3D 图表：

fig = plt.figure(figsize=(10, 8)) 创建一个指定大小的新图形。
ax = fig.add_subplot(111, projection='3d') 向图形添加一个 3D 子图。
颜色分配：
我们使用列表推导式根据年龄组分配颜色。
这为每位客户创建了一个颜色字符串列表（'red'、'green' 或 'blue'）。

绘制数据：

ax.scatter() 用于创建 3D 散点图。
它接受 x、y 和 z 坐标（年龄、消费、忠诚度）以及颜色列表。
s=50 设置标记的大小，alpha=0.6 使它们略微透明。
设置标签和标题：
ax.set_xlabel()、ax.set_ylabel() 和 ax.set_zlabel() 设置轴标签。
ax.set_title() 设置图表标题。

创建图例：

我们使用 plt.Line2D() 创建自定义图例元素。
每个元素代表一个年龄组及其对应的颜色。
ax.legend() 将图例添加到图表中，并带有标题。

完成并显示图表：

plt.tight_layout() 调整图表布局，防止重叠。
plt.show() 显示最终图表。
这段代码展示了 Python 数据可视化的几个重要概念：
使用 Matplotlib 进行 3D 绘图
使用 NumPy 生成随机数据
根据条件对数据点进行颜色编码
创建自定义图例
正确标记轴和标题

生成的可视化图表便于解读客户年龄、消费和忠诚度积分之间的关系，颜色编码提供了额外的信息维度。

【小知识】

3D 散点图适用于可视化三个变量之间的关系，但数据量较大时可能会显得杂乱。

Matplotlib 的 3D 绘图功能在 2010 年发布的 1.0.0 版本中引入。

mpl_toolkits.mplot3d 模块作为 Matplotlib 2D 绘图功能的扩展，提供了 3D 绘图工具。

使用 3D 图表时，要考虑观看角度，因为从某些角度可能会遮挡一些数据点。

散点图中的 alpha 参数控制点的透明度，有助于可视化重叠的数据点。

本例中用于颜色分配的列表推导式是创建 Python 列表的强大且简洁的方法，通常比传统的 for 循环更高效。

numpy.random.seed() 函数对于科学计算和数据科学中的可重复性至关重要，确保随机数生成可以在不同运行或不同用户之间复制。

尽管 3D 图表在视觉上可能很吸引人，但它们并不总是传达信息的最有效方式。有时，多个 2D 图表或其他可视化技术可能更合适，具体取决于数据和你想要传达的信息。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

最新文章

随机文章