多维图的示例引言
可视化是数据分析的重要组成部分，并且能够同时查看多个维度的功能使此任务更加容易。 在本教程中，我们将绘制最多6个维度的图形。
Plotly是一个开放源代码的Python库，用于各种可视化，它比著名的matplotlib和seaborn提供了更多的自定义功能 。 该模块按常规安装-pip installplot 。 我们将使用它来绘制图形。
准备数据
为了进行可视化，我们使用来自UCI （加利福尼亚大学欧文分校-大约翻译）的 汽车的简单数据 ，这些数据代表205辆汽车的26个特征（205 列为 26列）。 为了可视化六个维度，我们采用了这六个参数。
205条中仅显示4条线。使用pandas从CSV下载数据。
import pandas as pd data = pd.read_csv("cars.csv")
现在，准备好了，让我们从两个维度开始。
二维散点图
散点图是一个非常简单且常见的图。 在这6个参数中，以下将价格和整备重量分别用作Y和X。
# import plotly import plotly.graph_objs as go # figure fig1 = go.Scatter(x=data['curb-weight'], y=data['price'], mode='markers') # layout mylayout = go.Layout(xaxis=dict(title="curb-weight"), yaxis=dict( title="price")) # HTML plotly.offline.plot({"data": [fig1], "layout": mylayout}, auto_open=True)
在plotly中，该过程与Matplotlib中的过程略有不同。 我们必须创建一个布局和图形 ，然后将它们传递给offline.plot函数，然后将结果保存在当前工作目录的HTML文件中。 这是发生的情况的屏幕截图。 在文章的结尾，将有一个指向GitHub存储库的链接，其中包含现成的交互式HTML图形。
二维散点图3D散点图
我们可以在Z轴上添加第三个功率参数（功率量）。 Plotly提供了Scatter3D功能，用于构建交互式3D图形。
3D图我没有每次都在此处粘贴代码，而是将其添加到存储库中。
（最方便的做法是在相邻标签中查看相关代码 ，同时阅读-大约翻译）。
添加第四维度
我们知道您不能直接使用三个以上的尺寸，但是有一种解决方法：我们可以使用颜色，尺寸或形状来模拟深度以可视化更高的尺寸。
在这里，连同前面的三个特征，我们将使用城市里程-city -mpg作为第四维， Scatter3D函数的markercolor参数将负责该维 。 标记的阴影变浅将意味着行驶里程减少。
显而易见的是，价格，马匹数量和质量越高，行驶里程越低。
阴影为第4维的4D图形添加第五维度
标记大小可用于可视化第5维。 我们将引擎大小特征用于Scatter3D函数的markersize参数。
观察结果：发动机尺寸与先前的某些参数有关。 价格越高，引擎越大。 以及：更低的里程-更多的引擎。
5D图形，标记值为第五维（电机尺寸）添加第六维
标记的形状非常适合可视化类别。 通过Plotly，您可以选择10种不同的3D图形形状（星号，圆形，正方形等）。 因此，最多可以显示10个不同的值。
我们具有特征性的num-of-doors ，其中包含整数-门的数量（2或4）。 我们将这些值转换为数字：一个正方形用于4个门，一个圆圈用于2个门。 使用Scatter3D函数的markersymbol参数。
观察结果：好像所有最便宜的汽车都有4门（圆形）。 通过继续研究时间表，可以做出更多的假设和结论。
以标记形状为第六维的6D图形（门数）我们可以添加更多尺寸吗？
当然可以！ 标记具有更多可以启用的属性，例如不透明度和渐变。 但是，我们添加的尺寸越多，将它们全都放在头脑中就越困难。
源代码
GitHub上提供了所有形状的Python代码和交互式图形。