本文介绍如何通过 for 循环和参数化配置，将重复的四组 `scatter3d` 子图代码压缩为简洁、可维护的实现，避免冗余，并修正 `plt.axis()` 在 3d 中误用导致的错误。
在使用 Matplotlib 绘制多视角 3D 散点图时，若仅需改变 view_init(elev, azim) 参数而其余设置（如坐标轴标签、颜色映射、坐标范围等）完全一致，硬编码四个子图不仅冗长，还极易因漏改某处引发不一致问题。理想做法是提取共性逻辑，用循环统一管理。
以下为优化后的专业写法：
import matplotlib.pyplot as plt
def plot3Ddata(data_df):
fig = plt.figure(figsize=(15, 15))
# 预定义四组视角参数：(elev, azim)
view_angles = [(0, 90), (45, 0), (35, 45), (20, 40)]
for i, (elev, azim) in enumerate(view_angles):
ax = fig.add_subplot(2, 2, i + 1, projection='3d')
ax.scatter3D(data_df.x, data_df.y, data_df.z,
c=data_df.z, cmap='Blues', s=20) # 可选：添加 s 控制点大小
ax.view_init(elev=elev, azim=azim) # 显式命名参数，提升可读性
ax.set_xlabel('x', color='red')
ax.set_ylabel('y', color='red')
ax.set_zlabel('z', color='red')
# 所有子图共享相同的坐标范围
ax.set_xlim(0, 14)
ax.set_ylim(-6, 6)
ax.set_zlim(0, 8.5)
plt.tight_layout() # 自动调整子图间距，防止标签重叠
plt.show()✅ 关键优化点说明：
- 使用 view_angles = [(0, 90), (45, 0), (35, 45), (20, 40)] 显式声明各子图视角，语义清晰、易于修改；
- ax.view_init(elev=elev, azim=azim) 比 *tuple 解包更安全、更易调试；
- ax.set_xlim/ylim/zlim 必须在每个子图中单独调用（3D Axes 不支持全局 plt.axis()），这是原错误的根本原因；
- 添加 plt.tight_layout() 提升排版美观度，尤其在标签含颜色或字体较大时；
- s=20 等可选参数可统一控制点大小，增强可视化一致性。
⚠️ 注意事项：
- data_df 需确保包含 'x', 'y', 'z' 列且无缺失值，否则 scatter3D 将报错；
- 若需进一步定制（如不同色标范围、透明度 alpha 或图例），可在循环内按索引 i 条件设置；
- projection='3d' 是必需关键字，不可省略，且必须在 add_subplot() 中指定。
该写法将原始 40+ 行重复代码压缩至约 20 行，兼具可读性、可扩展性与健壮性，是科学可视化中处理多视角 3D 图的标准实践。
