如何用Python Plotly绘制带主成分方向向量的3D Biplot

我完全懂你想实现的效果——把R里的3D Biplot搬到Plotly Python里，核心就是要画出那些红色的主成分方向向量对吧？我之前也试过把R的代码转成Python，踩过几个坑，给你一套能直接跑的完整方案：

步骤1：准备工具与数据 #

首先导入需要的库，我们用sklearn做PCA，Plotly画3D图，用经典的鸢尾花数据集做示例（你可以替换成自己的数据）：

import numpy as np
import pandas as pd
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import plotly.graph_objects as go

加载并预处理数据：

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
feature_names = iris.feature_names
target_names = iris.target_names

# 做PCA降维到3个主成分
pca = PCA(n_components=3)
X_pca = pca.fit_transform(X)

步骤2：处理主成分方向向量（关键！） #

主成分的方向向量其实就是PCA模型里的components_属性，不过它是单位向量，直接画的话会非常短，几乎看不见。我们需要用主成分的标准差来缩放这些向量，让它们的长度和数据分布匹配：

# 提取特征向量（方向向量）和主成分的标准差
components = pca.components_
std_dev = pca.explained_variance_ ** 0.5

# 缩放向量：用标准差乘以特征向量，让向量长度和数据尺度匹配
scaled_components = components * std_dev[:, np.newaxis]

步骤3：用Plotly绘制3D Biplot #

先画样本点的3D散点图，然后逐个添加红色的方向向量，最后加上标签：

# 创建图表对象
fig = go.Figure()

# 1. 添加样本点的3D散点
for target, color in zip(range(3), ['blue', 'green', 'purple']):
    mask = iris.target == target
    fig.add_trace(go.Scatter3d(
        x=X_pca[mask, 0],
        y=X_pca[mask, 1],
        z=X_pca[mask, 2],
        mode='markers',
        marker=dict(size=5, color=color),
        name=target_names[target]
    ))

# 2. 添加红色的主成分方向向量
for i in range(len(feature_names)):
    # 向量从原点(0,0,0)出发，到缩放后的分量位置
    fig.add_trace(go.Scatter3d(
        x=[0, scaled_components[0, i]],
        y=[0, scaled_components[1, i]],
        z=[0, scaled_components[2, i]],
        mode='lines+text',
        line=dict(color='red', width=3),
        text=[None, feature_names[i]],  # 只在向量终点加标签
        textposition='top center'
    ))

# 设置布局
fig.update_layout(
    title='3D PCA Biplot with Direction Vectors',
    scene=dict(
        xaxis_title=f'PC1 ({pca.explained_variance_ratio_[0]:.1%})',
        yaxis_title=f'PC2 ({pca.explained_variance_ratio_[1]:.1%})',
        zaxis_title=f'PC3 ({pca.explained_variance_ratio_[2]:.1%})',
        camera=dict(eye=dict(x=1.5, y=1.5, z=1))  # 调整视角让向量更清晰
    ),
    showlegend=True
)

# 显示图表
fig.show()

关键细节说明 #

• 向量缩放：为什么要用std_dev？因为主成分的标准差反映了该维度上数据的离散程度，用它缩放单位向量后，向量的长度能直观体现原始特征对主成分的贡献大小。
• 向量绘制：用Scatter3d的lines模式，每个向量都是从原点到scaled_components对应的坐标点，颜色设为红色突出显示。
• 标签位置：把特征名称放在向量的终点，方便对应到向量方向。

你可以直接把这段代码跑起来，然后替换成你自己的数据集和特征名称就行，完全不需要依赖R的代码逻辑，纯Python实现~

内容的提问来源于stack exchange，提问作者Fenil