嘿，我明白你遇到的问题了——sklearn的PCA示例代码没提图例怎么加，直接套matplotlib的指南又摸不着头绪对吧？别担心，我给你一步步讲清楚怎么改代码，轻松加上清晰的图例。

核心思路 #

原示例代码是循环遍历每个类别画散点，但没给每个散点组指定标签（label），所以matplotlib不知道该怎么生成图例。我们只需要在绘制每个类别的散点时添加label参数，最后调用图例函数就行。

修改后的完整代码示例 #

假设你的自有数据结构和鸢尾花数据集类似：X是特征矩阵，y是类别标签（0/1/2...），target_names是每个标签对应的类别名称（比如["类别A", "类别B", "类别C"]）。以下是修改后的代码：

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

# 替换成你的自有数据
X = ...  # 特征矩阵，形状(n_samples, n_features)
y = ...  # 类别标签，形状(n_samples,)
target_names = ["类别A", "类别B", "类别C"]  # 对应每个标签的名称

# 执行PCA降维到3维
pca = PCA(n_components=3)
X_r = pca.fit_transform(X)

# 设置颜色（可以自定义）
colors = ['navy', 'turquoise', 'darkorange']

# 创建3D绘图对象
fig = plt.figure(1, figsize=(8, 6))
ax = Axes3D(fig, elev=-150, azim=110)

# 循环绘制每个类别，关键：添加label参数
for i, (name, color) in enumerate(zip(target_names, colors)):
    ax.scatter(X_r[y == i, 0], X_r[y == i, 1], X_r[y == i, 2], 
               color=color, edgecolor='k', s=40, label=name)

# 添加图例，可调整位置避免遮挡图表
ax.legend(loc='upper left', bbox_to_anchor=(1.05, 1), shadow=True)

# 添加标题和轴标签
ax.set_title("3D PCA可视化自有数据")
ax.set_xlabel("主成分1")
ax.set_ylabel("主成分2")
ax.set_zlabel("主成分3")

plt.show()

关键修改点解释 #

1. 给散点图加label：在ax.scatter()里加入label=name，这里的name就是每个类别的名称，会直接显示在图例里。
2. 调用图例函数：用ax.legend()生成图例，loc和bbox_to_anchor参数可以调整图例的位置（比如放到图表右侧，避免挡住数据点）。
3. 自定义样式：s=40调整点的大小，shadow=True给图例加阴影，让它更清晰。

特殊情况处理 #

如果你的y不是连续的数字标签（比如是字符串或不规则编号），可以先把标签映射成索引：

# 把字符串标签转换成索引
unique_labels = np.unique(y)
label_to_idx = {label: i for i, label in enumerate(unique_labels)}
y_idx = [label_to_idx[label] for label in y]
target_names = unique_labels  # 直接用原标签名称作为图例文字

然后把循环里的y == i改成y_idx == i就行。

这样修改后，你的3D PCA图就能清晰显示每个类别的图例啦！

内容的提问来源于stack exchange，提问作者con