如何为Excel数据生成的3D散点图绘制最优拟合线/面？

（i）最优拟合线 #

完全可以绘制，且不需要完整meshgrid，直接用原始散点数据即可。这里的3D最优拟合线，本质是找到一条最小化所有散点到直线距离的一维回归直线，核心是对三维数据做降维或距离最小化拟合。

举个Python实现的简单示例：

import numpy as np
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# 假设你的数据是x(身高)、y(体重)、z(年龄)三个一维数组
x = np.random.randn(100)
y = np.random.randn(100)
z = 0.5*x + 0.3*y + np.random.randn(100)*0.2

# 合并为三维数据矩阵
data = np.vstack([x, y, z]).T

# 用PCA提取主成分（即最优拟合线方向）
pca = PCA(n_components=1)
pca.fit(data)
# 生成拟合线上的采样点
line_points = pca.mean_ + np.linspace(-3, 3, 100).reshape(-1,1)*pca.components_

# 绘图
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
ax.scatter(x, y, z, label='原始数据')
ax.plot(line_points[:,0], line_points[:,1], line_points[:,2], 'r-', label='最优拟合线')
ax.legend()
plt.show()

（ii）最优拟合面 #

同样可以绘制，不需要完整meshgrid，也无需插补原始数据中缺失的z值。拟合面的核心是通过回归模型建立z与x、y的映射关系，再自行构造规则的meshgrid，用模型预测网格点的z值后绘制曲面。

具体步骤（以线性回归为例）： #

1. 用原始散点训练回归模型：

from sklearn.linear_model import LinearRegression

# 构造特征矩阵X=[x,y]，目标变量z
X = np.vstack([x, y]).T
model = LinearRegression()
model.fit(X, z)

2. 自行构造规则meshgrid（取数据的极值范围均匀采样）：

x_grid = np.linspace(x.min(), x.max(), 50)
y_grid = np.linspace(y.min(), y.max(), 50)
X_grid, Y_grid = np.meshgrid(x_grid, y_grid)

3. 用模型预测网格点的z值：

Z_grid = model.predict(np.vstack([X_grid.ravel(), Y_grid.ravel()]).T).reshape(X_grid.shape)

4. 绘制拟合面：

fig = plt.figure()
ax = fig.add_subplot(projection='3d')
ax.scatter(x, y, z, label='原始数据')
ax.plot_surface(X_grid, Y_grid, Z_grid, alpha=0.5, label='最优拟合面')
ax.legend()
plt.show()

关于插补的说明 #

你的场景是“并非每一组(x,y)都有z值”，属于自然的稀疏数据，完全不需要插补。拟合面的本质是用已有数据建模出x、y到z的映射规则，我们只需要用这个规则去预测自行构造的规则网格的z值即可，原始数据中不存在的(x,y)组合不需要处理。只有当原始数据中存在“有(x,y)但缺失z”的情况时，才需要考虑插补，但这和你的场景无关。

如果需要非线性拟合（比如高斯过程、随机森林），逻辑完全一致：用原始散点训练模型，再预测规则网格的z值绘制曲面。

内容的提问来源于stack exchange，提问作者Naota Feykneme