如何在Matplotlib的3D散点图中绘制2021、2022年数据拟合线？

完全可以通过Matplotlib实现该需求，核心是对不同年份的数据子集分别做拟合，再在3D轴上绘制拟合后的线条。以下是具体实现方案：

步骤1：拆分年份数据 #

从你的原始数据中筛选出2021年和2022年的独立数据集，确保每个子集包含3D坐标（x、y、z）。

步骤2：选择拟合方法并实现 #

根据数据的趋势选择合适的拟合方式，以下是两种常用方案：

方案A：基于自变量的多项式拟合 #

如果数据的趋势可以通过某个自变量（比如x轴）来描述y和z的变化，用多项式拟合最直接：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 替换为你的实际数据
# 示例：假设已有的散点数据及年份标签
x_all = np.random.rand(100) * 10
y_all = x_all * 2 + np.random.randn(100) * 2
z_all = x_all * 1.5 + np.random.randn(100) * 1.5
year_labels = np.random.choice([2021, 2022], size=100)

# 拆分2021和2022年数据
mask_2021 = year_labels == 2021
x_21, y_21, z_21 = x_all[mask_2021], y_all[mask_2021], z_all[mask_2021]
mask_2022 = year_labels == 2022
x_22, y_22, z_22 = x_all[mask_2022], y_all[mask_2022], z_all[mask_2022]

# 对2021年数据做二次多项式拟合（可根据趋势调整阶数）
coeff_y_21 = np.polyfit(x_21, y_21, deg=2)
coeff_z_21 = np.polyfit(x_21, z_21, deg=2)
# 生成拟合用的自变量序列
x_fit_21 = np.linspace(x_21.min(), x_21.max(), 100)
# 计算拟合后的y和z值
y_fit_21 = np.polyval(coeff_y_21, x_fit_21)
z_fit_21 = np.polyval(coeff_z_21, x_fit_21)

# 2022年数据拟合同理
coeff_y_22 = np.polyfit(x_22, y_22, deg=2)
coeff_z_22 = np.polyfit(x_22, z_22, deg=2)
x_fit_22 = np.linspace(x_22.min(), x_22.max(), 100)
y_fit_22 = np.polyval(coeff_y_22, x_fit_22)
z_fit_22 = np.polyval(coeff_z_22, x_fit_22)

# 绘制3D散点和拟合线
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')

# 绘制原有散点（保留你已有的散点绘制代码）
ax.scatter(x_21, y_21, z_21, label='2021 Data', alpha=0.6)
ax.scatter(x_22, y_22, z_22, label='2022 Data', alpha=0.6)

# 绘制黑色拟合线（匹配附图样式）
ax.plot(x_fit_21, y_fit_21, z_fit_21, color='black', linewidth=2, label='2021 Fit')
ax.plot(x_fit_22, y_fit_22, z_fit_22, color='black', linewidth=2, linestyle='--', label='2022 Fit')

ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')
ax.legend()
plt.show()

方案B：3D空间样条拟合 #

如果数据没有明显的单一自变量，需要拟合3D空间中的趋势曲线，可以用样条插值：

from scipy.interpolate import splprep, splev

# 对2021年数据排序（避免拟合线混乱）
sort_idx_21 = np.argsort(x_21)
x_sorted_21, y_sorted_21, z_sorted_21 = x_21[sort_idx_21], y_21[sort_idx_21], z_21[sort_idx_21]
# 样条拟合，s参数控制平滑度
tck, u = splprep([x_sorted_21, y_sorted_21, z_sorted_21], s=0.5)
# 生成拟合点
u_fit = np.linspace(0, 1, 100)
x_fit_21, y_fit_21, z_fit_21 = splev(u_fit, tck)

# 2022年数据拟合同理
sort_idx_22 = np.argsort(x_22)
x_sorted_22, y_sorted_22, z_sorted_22 = x_22[sort_idx_22], y_22[sort_idx_22], z_22[sort_idx_22]
tck_22, u_22 = splprep([x_sorted_22, y_sorted_22, z_sorted_22], s=0.5)
u_fit_22 = np.linspace(0, 1, 100)
x_fit_22, y_fit_22, z_fit_22 = splev(u_fit_22, tck_22)

# 后续绘制代码同方案A，只需替换拟合线的数据源

关键调整点 #

• 拟合阶数：多项式拟合的deg参数可根据数据趋势调整，线性趋势用deg=1，非线性尝试deg=2或deg=3，避免过高阶导致过拟合。
• 线条样式：通过color、linewidth、linestyle参数调整拟合线，完全匹配你附图中的黑色线条样式。
• 数据排序：样条拟合前务必对数据按某个维度排序，否则拟合线会出现交叉混乱。

内容的提问来源于stack exchange，提问作者Harmash Ivan