嘿，我看你贴的代码后半段被截断了（np....那里没写完），而且目前的代码只生成了数据和网格，还没完成3D绘图的核心步骤——计算对应网格的Z值并绘制曲面/散点，这应该就是你得不到理想3D图的原因。我来帮你补全并优化这段代码，实现预期的3D可视化效果~

完整修正后的代码 #

#!/usr/bin/env python
import numpy as np
import scipy.linalg
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt

# 生成三维多元正态分布数据
mean = np.array([0.0, 0.0, 0.0])
cov = np.array([[1.0, -0.5, 0.8], [-0.5, 1.1, 0.0], [0.8, 0.0, 1.0]])
data = np.random.multivariate_normal(mean, cov, 50)

# 覆盖数据域的规则网格（补全截断部分）
X, Y = np.meshgrid(np.arange(-3.0, 3.0, 0.5), np.arange(-3.0, 3.0, 0.5))
n_samples = X.shape[0] * X.shape[1]
# 将网格转换为二维数组，用于计算多元高斯密度
XY = np.column_stack([X.reshape(n_samples), Y.reshape(n_samples)])

# 计算多元正态分布在网格点上的Z值（概率密度）
inv_cov = scipy.linalg.inv(cov)
det_cov = scipy.linalg.det(cov)
Z = []
for xy in XY:
    # 计算(x - mean)的转置乘以逆协方差再乘以(x - mean)
    diff = xy - mean[:2]
    exponent = -0.5 * np.dot(np.dot(diff.T, inv_cov[:2, :2]), diff)
    density = (1.0 / (np.sqrt((2 * np.pi)**2 * np.linalg.det(cov[:2, :2])))) * np.exp(exponent)
    Z.append(density)
Z = np.array(Z).reshape(X.shape)

# 创建3D绘图
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 绘制原始数据散点
ax.scatter(data[:, 0], data[:, 1], data[:, 2], c='r', marker='o', label='Sample Data')
# 绘制3D概率密度曲面
ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.7, label='Gaussian Density')

# 设置绘图样式
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')
ax.set_title('3D Visualization of Multivariate Normal Distribution')
ax.legend()
# 调整视角，让图形更清晰
ax.view_init(elev=30, azim=45)

plt.show()

关键优化点说明 #

• 补全网格定义：把你截断的np....补成完整的np.arange(-3.0, 3.0, 0.5)，确保X和Y网格覆盖数据的合理范围
• 计算Z值：根据多元正态分布的概率密度公式，计算网格点对应的Z值，这是绘制3D曲面的核心
• 添加可视化元素：同时绘制原始数据散点和拟合的密度曲面，让图的信息更完整
• 样式调整：设置颜色映射（cmap='viridis'）、透明度（alpha=0.7），调整视角（view_init），添加标签和图例，让3D图更美观易读

如果你的预期样式不是概率密度曲面，而是其他类型（比如PCA降维后的3D投影），可以告诉我具体需求，我再帮你调整~

内容的提问来源于stack exchange，提问作者James Wong