随机产生6类数据，要求其中每一类数据的样本数分别有249，48，23,23,16,11；使用SMOTE过采样对一些样本较少的类产生一些数据，最后通过三维可视化图表现过采样前后的数据样本分布

随机生成六类数据，你可以使用Python的`numpy`库来创建这种分层的数据集，比如：

import numpy as np

# 每一类数据的原始样本数
counts = [249, 48, 23, 23, 16, 11]
data = {f"类{i}": np.random.randn(counts[i], 3) for i in range(1, 7)}

这里我们假设每类数据都有三个特征维度（x, y, z）。`np.random.randn`用于生成正态分布的随机数值。

SMOTE（Synthetic Minority Over-sampling Technique）是一种常用的过采样策略，适用于处理类别不平衡问题。对于样本量较小的类别，可以使用`imblearn`库中的`SMOTE`类来增加样本：

from imblearn.over_sampling import SMOTE

smote = SMOTE(random_state=42)
for key, values in data.items():
    if counts[int(key)-1] < len(values):
        # 对于小于249的类应用SMOTE
        data[key] = smote.fit_resample(values)

过采样后的数据分布，通常可以使用matplotlib或seaborn等可视化工具来进行三维散点图展示：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

for i, (key, values) in enumerate(data.items()):
    ax.scatter(*values.T, label=key, c='C{}'.format(i))

ax.legend()
plt.show()

这个图形会显示出过采样前后各类别在三维空间中的分布变化，可以看到原本样本少的类别由于SMOTE产生了更多的模拟样本，使得整体数据分布更加均衡。