怎么将多维数据降到三维后，再用python数据可视化

将高维数据降到三维后，我们通常可以使用三维散点图进行可视化。下面是一个使用 scikit-learn 中的 PCA 进行降维，并使用 matplotlib 和 mpl_toolkits.mplot3d 库绘制三维散点图的示例代码：

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

# 假设X为高维数据，y为对应的标签
X = ...
y = ...

# 使用PCA进行降维
pca = PCA(n_components=3)
X_3d = pca.fit_transform(X)

# 创建三维散点图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 分别取出三个维度的数据
x1 = X_3d[:, 0]
x2 = X_3d[:, 1]
x3 = X_3d[:, 2]

# 绘制散点图
ax.scatter(x1, x2, x3, c=y)

# 设置坐标轴标签
ax.set_xlabel('PC1')
ax.set_ylabel('PC2')
ax.set_zlabel('PC3')

plt.show()

这段代码将高维数据通过 PCA 降维到三维，并将降维后的数据绘制成一个三维散点图，其中每个点的颜色表示其对应的标签。可以通过旋转和缩放来查看数据点的分布情况。需要注意的是，降维后可能会出现信息损失，因此需要仔细地选择降维的方法和参数。