#使用3D散点图观察PCA降维后特征分布(pyecharts可动态旋转) # (Pyecharts安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts==0.1.9.4)

可以使用pyecharts库中的Scatter3D类来绘制3D散点图，并观察PCA降维后特征分布。具体步骤如下：

from sklearn.decomposition import PCA
import numpy as np
from pyecharts import Scatter3D

# 创建一个5x5的随机矩阵作为输入数据
X = np.random.rand(5, 5)

# 实例化一个PCA对象，并指定累计方差比达到90%
pca = PCA(n_components=3)

# 使用PCA对象对输入数据进行降维
X_pca = pca.fit_transform(X)

# 创建3D散点图对象
scatter3D = Scatter3D("PCA降维后特征分布")

# 将降维后的数据添加到散点图中
scatter3D.add("", X_pca[:,0], X_pca[:,1], X_pca[:,2], is_visualmap=True, visual_range=[-1, 1])

# 显示散点图
scatter3D.render()

在上述代码中，我们首先使用numpy库创建了一个5x5的随机矩阵作为输入数据。接着，我们实例化了一个PCA对象，并将n_components参数设置为3，表示将数据降到3维。然后，我们使用PCA对象的fit_transform()方法对输入数据进行降维，并将降维后的结果保存在X_pca变量中。最后，我们使用pyecharts库中的Scatter3D类创建了一个3D散点图对象，并将降维后的数据添加到散点图中。is_visualmap参数用于开启可视化映射，visual_range参数用于设置可视化范围。最后，我们使用scatter3D对象的render()方法显示散点图。

需要注意的是，pyecharts库的版本可能会影响代码的运行结果。在本例中，我们使用了版本号为0.1.9.4的pyecharts库，但是这个版本已经比较旧了，建议使用更新的版本。如果代码运行出现问题，可以尝试更新pyecharts库或切换到其他可视化库。