前言

最近在搞聚类算法，所以难免会用到一些散点图的用法，总结一下，方便以后参考。

一、散点图函数

#首先调用一下画图的库
import matplotlib.pyplot as plt
plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, *, edgecolors=None, plotnonfinite=False, data=None, **kwargs)

#记得用完了这个函数要show一下，不然成不了图片
plt.show()

二、函数参数介绍

x，y：长度相同的数组，也就是我们即将绘制散点图的数据点，输入数据。用来表示散点图的横纵坐标，例如一个（100，99）的数据，x=100,y=99

s：点的大小，默认 20，也可以是个数组，数组每个参数为对应点的大小，数值越大对应的图中的点越大。

c：点的颜色，默认蓝色 ‘b’，也可以是个 RGB 或 RGBA 二维行数组。
写一下常用的颜色所对应的数组：
‘b’ blue
‘g’ green
‘r’ red
‘c’ cyan
‘m’ magenta
‘y’ yellow
‘k’ black
‘w’ white

marker：点的样式，默认小圆圈 ‘o’。
常用的点的样式：
‘.’：点(point marker)
‘,’：像素点(pixel marker)
‘o’：圆形(circle marker)
‘v’：朝下三角形(triangle_down marker)
‘^’：朝上三角形(triangle_up marker)
‘<‘：朝左三角形(triangle_left marker)
‘>’：朝右三角形(triangle_right marker)
‘1’：(tri_down marker)
‘2’：(tri_up marker)
‘3’：(tri_left marker)
‘4’：(tri_right marker)
‘s’：正方形(square marker)
‘p’：五边星(pentagon marker)
‘*’：星型(star marker)
‘h’：1号六角形(hexagon1 marker)
‘H’：2号六角形(hexagon2 marker)
‘+’：+号标记(plus marker)
‘x’：x号标记(x marker)
‘D’：菱形(diamond marker)
‘d’：小型菱形(thin_diamond marker)
‘|’：垂直线形(vline marker)
‘_’：水平线形(hline marker)

cmap：Colormap，默认 None，标量或者是一个 colormap 的名字，只有 c 是一个浮点数数组的时才使用。如果没有申明就是 image.cmap。
还没搞明白这玩意的用法。

norm：Normalize，默认 None，数据亮度在 0-1 之间，只有 c 是一个浮点数的数组的时才使用，改变点的亮度。

vmin，vmax：亮度设置，在 norm 参数存在时会忽略。

alpha：透明度设置，0-1 之间，默认 None，即不透明。

linewidths：标记点的长度。

edgecolors：颜色或颜色序列，默认为 ‘face’，可选值有 ‘face’, ‘none’, None。表示的是点的描边的颜色，例如 edgecolors=‘r’ 就是让边的颜色为红色。

plotnonfinite：：布尔值，设置是否使用非限定的 c ( inf, -inf 或 nan) 绘制点。

**kwargs：：其他参数。

三、代码实例

在这里我们先引入一个点的数据命名为 data.txt

151,54
137,55
95,66
156,91
193,101
58,104
133,105
120,118
167,136
110,149
96,174
22,184
60,193
88,198
177,202
213,235
133,249
127,255
70,257
40,273
64,271
168,286
126,325
132,335

读入点的数据并画图，我们这里是用的pandas读的，pandas读出来之后数据格式比较麻烦，我们得对他进行数据处理。

import matplotlib.pyplot as plt
import pandas as pd

#读入文件
file_path = "data.txt"
df = pd.read_table(file_path, header=None)

#定义 x  y变量
x = []
y = []

#定义颜色变量
color = ['c', 'b', 'g', 'r', 'm', 'y', 'k', 'w']

#用for循环将文件中的值赋值给x，y
for i in range(len(df[0])):
    x.append(int(df[0][i].split(',')[0]))
    y.append(int(df[0][i].split(',')[1]))

#画图
plt.scatter(x, y, c=color[1], edgecolors='r')
plt.show()

代码所示图的样式：

在这里我在附一张用Kmeans聚类算法画的图。

这里我聚成了4个类，分别用不同的颜色和图形来表示，效果很明显。

总结

散点图的函数参数有很多，但常用的参数为（x,y,c,marker,edgecolors），其余的如果不是特别专业基本用不到。还有就是里面所用到的参数都是list类型，如果不是记得将他们转换。

本文参数的类型介绍参考至菜鸟教程：Matplotlib 散点图，附上网址https://www.runoob.com/matplotlib/matplotlib-scatter.html，如有侵权联系删除。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
plt.plot( 'x', 'y', data=df, linestyle='none', marker='o')

plt.annotate(
        # 标签和协调
        'This point is interesting!', xy=(25, 50), xytext=(0, 80), 
        
        # 自定义箭头
        arrowprops=dict(facecolor='black', shrink=0.05) 
        )
plt.show()

import matplotlib.patches as patches
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
my_dpi=96
fig1 = plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
ax1 = fig1.add_subplot(111)
ax1.plot( 'x', 'y', data=df, linestyle='none', marker='o')
ax1.add_patch(
    patches.Rectangle(
        (20, 25),   # (x,y)
        50,         # 宽度
        50,         # 高度
        # 可以使用“角度”添加旋转
        alpha=0.3, facecolor="red", edgecolor="black", linewidth=3,  linestyle='solid'
    )
)
plt.show()

import matplotlib.patches as patches
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
my_dpi=96
fig1 = plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
ax1 = fig1.add_subplot(111)
ax1.plot( 'x', 'y', data=df, linestyle='none', marker='o')
ax1.add_patch(
    patches.Circle(
        (40, 35),   # (x,y)
        30,         # 半径
        alpha=0.3, facecolor="green", edgecolor="black", linewidth=1,  linestyle='solid'
    )
)
plt.show()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
plt.plot( 'x', 'y', data=df, linestyle='none', marker='o')
plt.plot([80, 40], [30, 90], color="skyblue", lw=5, linestyle='solid', label="_not in legend")

plt.show()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
plt.plot( 'x', 'y', data=df, linestyle='none', marker='o')
plt.axvline(40, color='r')
plt.axhline(40, color='green')
plt.show()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
plt.plot( 'x', 'y', data=df, linestyle='none', marker='o')
plt.text(40, 00, r'equation: $\sum_{i=0}^\infty x_i$', fontsize=20)
plt.show()

import matplotlib.patches as patches
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101) })
my_dpi=96
fig1 = plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

ax1 = fig1.add_subplot(111, aspect='equal')
ax1.plot( 'x', 'y', data=df, linestyle='none', marker='o')
ax1.add_patch(
    patches.Ellipse(
        (40, 35),   # (x,y)
        30,         # 宽度
        100,        # 高度
        45,         # 半径
        alpha=0.3, facecolor="green", edgecolor="black", linewidth=1,  linestyle='solid'
    )
)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })

my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

plt.subplot(121)
plt.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
plt.title("A subplot with 2 lines")
plt.subplot(122)
plt.plot( 'x','z', data=df, linestyle='none', marker='o', color="orange", alpha=0.3)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

plt.subplot(211)
plt.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
plt.title("A subplot with 2 lines")
plt.subplot(212)
plt.plot( 'x','z', data=df, linestyle='none', marker='o', color="orange", alpha=0.3)

plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*10 })
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

fig, axes = plt.subplots(nrows=2, ncols=1, sharex=True, sharey=True)
axes[0].plot( 'x', 'y', data=df, marker='o', alpha=0.4)
axes[1].plot( 'x','z', data=df, linestyle='none', marker='o', color="orange", alpha=0.3)
axes[0].title.set_text('These 2 plots have the same limit for the Y axis')

plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

plt.subplot(221)
plt.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
plt.subplot(222)
plt.plot( 'x','z', data=df, linestyle='none', marker='o', color="orange", alpha=0.3)
plt.subplot(223)
plt.plot( 'x','z', data=df, linestyle='none', marker='D', color="green", alpha=0.3)
plt.subplot(224)
plt.plot( 'x','z', data=df, marker='o', color="grey", alpha=0.3)

plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)

fig=plt.figure()

plt.subplot(221)
plt.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
plt.title('title of fig A', fontsize=10, color='grey', loc='left', style='italic')
plt.tick_params(labelbottom='off', bottom='off')
plt.subplot(222)
plt.plot( 'x','z', data=df, linestyle='none', marker='o', color="orange", alpha=0.3)
plt.title('title of fig B', fontsize=10, color='grey', loc='left', style='italic')
plt.tick_params(labelbottom='off', bottom='off')
plt.subplot(223)
plt.plot( 'x','z', data=df, linestyle='none', marker='D', color="green", alpha=0.3)
plt.title('title of fig C', fontsize=10, color='grey', loc='left', style='italic')
plt.subplot(224)
plt.plot( 'x','z', data=df, marker='o', color="grey", alpha=0.3)
plt.title('title of fig D', fontsize=10, color='grey', loc='left', style='italic')

plt.suptitle('A title common to my 4 plots', y=1.02)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=2)
ax1.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
ax2 = plt.subplot2grid((2, 2), (1, 0), colspan=1)
ax2.plot( 'x','z', data=df, marker='o', color="grey", alpha=0.3)
ax3 = plt.subplot2grid((2, 2), (1, 1), colspan=1)
ax3.plot( 'x','z', data=df, marker='o', color="orange", alpha=0.3)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
ax1 = plt.subplot2grid((2, 4), (0, 0), colspan=4)
ax1.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
ax2 = plt.subplot2grid((2, 4), (1, 0), colspan=3)
ax2.plot( 'x','z', data=df, marker='o', color="grey", alpha=0.3)
ax3 = plt.subplot2grid((2, 4), (1, 3), colspan=1)
ax3.plot( 'x','z', data=df, marker='o', color="orange", alpha=0.3)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })
ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=1)
ax1.plot( 'x', 'y', data=df, marker='o', alpha=0.4)
ax2 = plt.subplot2grid((2, 2), (1, 0), colspan=1)
ax2.plot( 'x','z', data=df, marker='o', color="grey", alpha=0.3)
ax3 = plt.subplot2grid((2, 2), (0, 1), rowspan=2)
ax3.plot( 'x','z', data=df, marker='o', color="orange", alpha=0.3)
plt.show()

from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
my_dpi=96
plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi)
df=pd.DataFrame({'x': range(1,101), 'y': np.random.randn(100)*15+range(1,101), 'z': (np.random.randn(100)*15+range(1,101))*2 })

plt.plot( 'x', 'y', data=df, marker='o', color='mediumvioletred')
plt.show()

本博主新开公众号， 希望大家能扫码关注一下，十分感谢大家。

本文来自：https://github.com/holtzy/The-Python-Graph-Gallery/blob/master/PGG_notebook.py 

广告关闭

腾讯云11.11云上盛惠 ，精选热门产品助力上云，云服务器首年88元起，买的越多返的越多，最高返5000元！

用散点图可以直观的查看数据的分布情况。 matplotlib模块的pyplot有画散点图的函数，但是该函数要求x轴是数字类型。 pandas的plot函数里，散点图类型scatter也要求数字型的，用时间类型的会报错。 在搜索阅读了几十篇网文后，摸索出画散点图的简单办法。 可以使用pyplot的plot_date()画散点图。 下面是完整的python...

我现在有一个nx3矩阵数组。 我想把这三列画成三轴，我怎么能这样做呢？ 我在谷歌上搜索过，人们建议用matlab但是我真的很难理解它。 我还需要一个散点图。 有人能教我吗？...

关联图是查找两个事物之间关系的图像，他能为我们展示出一个事物随着另一个事物的变化如何变化。 典型的关联图有：折线图、散点图、相关矩阵等我们什么时候会需要关联图？ 1、数据报告 & 学术研究展示趋势：比如产品销量随着时间如何变化，智力水平随着教育程度如何变化等展现状态：不同年龄的客户的成交率...

下面是一个制作散点图动画的例子：import plotly.express as pxdf = px.data.gapminder()fig =px.scatter( df, x=gdppercap, y=lifeexp, animation_frame=...而漂漂亮亮的可视化是完成这一任务的绝佳工具。 本文将介绍 5 种非传统的可视化技术，可让你的数据故事更漂亮和更有效。 这里将使用 python 的 plotly ...

下面是一个制作散点图动画的例子：import plotly.express as pxdf = px.data.gapminder()fig =px.scatter( df, x=gdppercap, y=lifeexp, animation_frame=...而漂漂亮亮的可视化是完成这一任务的绝佳工具。 本文将介绍 5 种非传统的可视化技术，可让你的数据故事更漂亮和更有效。 这里将使用 python 的 plotly ...

来自维基百科不过，我们仍然可以绘制出多维空间，今天就来用 python 的 plotly 库绘制下三维到六维的图，看看长什么样。 数据我们使用一份来自 uci 的真实汽车数据集，该数据集包括 205 个样本和 26 个特征，从中选择 6 个特征来绘制图形：? 基础工作安装好 plotly 包：pip install plotly加载数据集（文末会提供）...

今日锦囊常用的统计图在python里怎么画? 这里的话我们介绍几种很简单但也很实用的统计图绘制方法，分别有条形图、饼图、箱体图、直方图以及散点图，关于这几种图形的含义这边就不多做解释了。 今天用到两个数据集，数据集大家可以在公众号回复特征工程来获取，分别是salary_ranges_by_job_classification和globalland...

下面，我们使用python画一些plolty基本图的demo：（大家如果有需要用plotly的建议收藏哦！ 散点图散点图核心的价值在于发现变量之间的关系，千万不要简单地将这个关系理解为线性回归关系。 变量间的关系有很多，如线性关系、指数关系、对数关系等等，当然，没有关系也是一种重要的关系。 散点图更偏向于研究型图表...

选自towardsdatascience作者：william koehrsen机器之心编译参与：nurhachu null、路 本文介绍了如何在 python中利用散点图矩阵（pairs plots）进行数据可视化。 如何快速构建强大的探索性数据分析可视化当你得到一个很不错的干净数据集时，下一步就是探索性数据分析（exploratory data analysis，eda）。 eda 可以...

与线型图类似的是，散点图也是一个个点集构成的。 但不同之处在于，散点图的各点之间不会按照前后关系以线条连接起来。 用plt.plot画散点图? 奇怪，代码和前面的例子差不多，为什么这里显示的却是散点图而不是sin曲线呢？ 原因有二：一是点集比较少，稀疏，才30个； 二是没有指定线型。 用plt.scatter画散点图scatter...

使用matplotlib画散点图步骤，第一种使用scatter(x,y),系统自动建立坐标系，第二种使用plot(x,y)系统也是自动建立坐标系，plot函数默认画连线图。 比较，scatter比plot适合画散点图。 7、 pandas是一个为解决python数据分析而用的包，可以快速构建数据结构。 8、scikit-learn简称sklearn,在导入数据包时只能使用...

下面是一个制作散点图动画的例子：import plotly.express as pxdf = px.data.gapminder()fig =px.scatter( df, x=gdppercap, y=lifeexp, animation_frame=...而漂漂亮亮的可视化是完成这一任务的绝佳工具。 本文将介绍 5 种非传统的可视化技术，可让你的数据故事更漂亮和更有效。 这里将使用 python 的 plotly ...

画散点图：# -*- coding:utf-8 -*-import pandas as pdimport numpy as npfrom sklearn.decompositionimport pcafrom sklearn.linear_model import logist...plt.grid(true)##画出虚线方格 plt.show()? 我们可以绘制在三维空间的正态分布图代码如下#! usrbinpython# -*- coding:utf-8 -*-import numpy as npfrom ...

案件回顾饭团销售额下滑现有冰激凌店一年的历史销售数据数据包括单日的销售量、气温、周几（问题：如何用这些数据预测冰激凌的销量？ 模拟实验与分析将数据存储为csv格式，导入python。 并画出散点图，观察气温和销售量的关系。 import pandas as pdicecream = pd.read_csv(icecream.csv)importmatplotlib.pyplot as ...

一般分三步：（1）画散点图，找模型； （2）进行回归模型的参数估计； （3）检验前面分析得到的经验模型是否合适。 画散点图创建一个datatemp的文件夹...上一篇文章讲了最小二乘算法的原理。 这篇文章通过一个简单的例子来看如何通过python实现最小乘法的线性回归模型的参数估计。 王松桂老师《线性统计模型—...

2.pngdef print_scatter_draw(): 画散点图 return:x=np.random.rand(1000) y=np.random.rand(len(x)) #绘图plt.scatter(x,y,color=b,label=scatter draw, ...5.pngcopy的文章 数据挖掘之matplotlib入门发现python的代码粘贴过去，因为缩进，需要重新修改，有点麻烦 百度云 源码分享，下载下来，体验运行吧。? 图像...

datinglabels = file2matrix(datingtestset2.txt) import matplotlibimportmatplotlib.pyplot as pltfig = plt.figure()ax =fig.add_subplot(111)ax.scatter(datingdatamat, datingdatamat, 15.0*array(datinglabels),15.0*array(datinglabels)) #scatter函数是用来画散点图的plt.show() 结果显示 1-4. 准备数据： ...

datinglabels = file2matrix(datingtestset2.txt) 1 import matplotlib2 importmatplotlib.pyplot as plt3 fig = plt.figure()4 ax = fig.add_subplot(111)5ax.scatter(datingdatamat, datingdatamat, 15.0*array(datinglabels),15.0*array(datinglabels)) #scatter函数是用来画散点图的6 plt.show()结果显示?...

流程图如下：扩容python 会根据散列表的拥挤程度扩容。 “扩容”指的是:创造更大的数组，将原有内容拷贝到新数组中。 接近 23 时，数组就会扩容。 根据键查找“键值对”的底层过程我们明白了，一个键值对是如何存储到数组中的，根据键对象取到值对象，理解起来就简单了。 a.get(name)gaoqi当我们调用 a.get(“name”)...

画散点图如下：# 散点图from pylab import *n = 1024x = np.random.normal(0,1,n)y =np.random.normal(0,1,n)scatter(x,y)show()显示： ? 画条形图如下：#条形图from pylab import *n = 12x = np.arange(n)y1 = (1-xfloat(n)) *np.random.uniform(0.5,1.0,n)y2 = (1-xfloat(n)) *np.random.uniform(0.5,1.0,n)bar(x, ...