python散点图
 Python-散点图 (Python - Scatter Plots)
Scatterplots show many points plotted in the Cartesian plane. Each point represents the values of two variables. One variable is chosen in the horizontal axis and another in the vertical axis.
 散点图显示在笛卡尔平面中绘制的许多点。 每个点代表两个变量的值。 在水平轴上选择一个变量，在垂直轴上选择另一个变量。 
 绘制散点图 (Drawing a Scatter Plot)
Scatter plot can be created using the DataFrame.plot.scatter() methods.
 
 可以使用DataFrame.plot.scatter()方法创建散点图。 

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')
 
Its output is as follows −
 其输出如下- 

翻译自: https://www.tutorialspoint.com/python_data_science/python_scatter_plots.htm
python散点图

python的画图功能强大 ，为了加强对python的基础认识 ，通过对相关语法的了解 ，加深认识

本期是python 三点图 scatterplot

#d导入需要会的绘图库
import numpy as np
import pandas as pd 
import matplotlib as mpl
import matplotlib.pyplot as plt 
import seaborn as sns
%matplotlib inline
#plt.show  显示你的图像 ，加入 inline 上面这行代码 就 不用 在写这个show code
# data set define 
x1 = np.random.randn(10)   # 定义的随机
x2 = x1+ x1**2  - 10 
#make sure a plan ,当只有一个图的时候 ，画布不是必须的 
plt.figure(figsize =(8,4))
#绘图 
plt.scatter(x1,x2
            ,s=50  # 点的尺寸大小   
           ,c ="blue"
           ,label = "Positive")
#装饰图像
plt.legend() #显示图例   ，显示 图例 就是  label 属性
plt.show()

X  = np.random.randn(10,2)
y= np.array([0,0,1,1,0,1,0,1,0,0,])
plt.figure(figsize=(8,4))
plt.scatter(X[:,0],X[:,1]
                 ,s=20,c= y)
plt.show()

#继续升级  
colors =["red","blue"]
lables = ["zero","one"]

for i in range(X.shape[1]):  # 一共有两列
    plt.scatter(X[y==i,0],X[y==i,1],
                color =colors[i],label=lables[i])  # c = colors[i] do okay 


plt.show()

通过继续升级 我们看到  ，使用了指定的颜色，使用了循环

下图是美国老外朋友的博客里面的一个实例

#instance or example 
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")
#midwest.head()#
#prepare data 
#create as many as colors as there are unique midwest['']
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]   # tab10 () 接受一个float 数据 
categories.shape
plt.figure(figsize=(16,10),dpi = 80 ,facecolor ='w',edgecolor ='k')   # dpi  分辨率  
for i ,category in enumerate(categories):
    plt.scatter('area','poptotal',
               data = midwest.loc[midwest.category==category,:],
               s =20 ,c=np.array(colors[i]).reshape(1,-1),label=str(category))
#Decorations 

plt.gca().set(xlim=(0.0,0.1),ylim=(0,90000),xlabel='Area',ylabel='Population')
plt.xticks(fontsize=12);plt.yticks(fontsize=12)   # 坐标轴上尺寸的大小
plt.title("Scatterplot of Midwest Area vs Population",fontsize =22)
plt.legend(fontsize =12)
plt.legend()
plt.show()

 

 

 

 

 

最近开始学习Python编程，遇到scatter函数，感觉里面的参数不知道什么意思于是查资料,最后总结如下：

1、scatter函数原型



2、其中散点的形状参数marker如下：



3、其中颜色参数c如下:



4、基本的使用方法如下：

[python] view plain copy

#导入必要的模块  
	
import numpy as np  
	
import matplotlib.pyplot as plt  
	
#产生测试数据  
	
x = np.arange(1,10)  
	
y = x  
	
fig = plt.figure()  
	
ax1 = fig.add_subplot(111)  
	
#设置标题  
	
ax1.set_title('Scatter Plot')  
	
#设置X轴标签  
	
plt.xlabel('X')  
	
#设置Y轴标签  
	
plt.ylabel('Y')  
	
#画散点图  
	
ax1.scatter(x,y,c = 'r',marker = 'o')  
	
#设置图标  
	
plt.legend('x1')  
	
#显示所画的图  
	
plt.show()  
结果如下：



5、当scatter后面参数中数组的使用方法，如s，当s是同x大小的数组，表示x中的每个点对应s中一个大小，其他如c，等用法一样，如下：

（1）、不同大小

[python] view plain copy

#导入必要的模块  
	
import numpy as np  
	
import matplotlib.pyplot as plt  
	
#产生测试数据  
	
x = np.arange(1,10)  
	
y = x  
	
fig = plt.figure()  
	
ax1 = fig.add_subplot(111)  
	
#设置标题  
	
ax1.set_title('Scatter Plot')  
	
#设置X轴标签  
	
plt.xlabel('X')  
	
#设置Y轴标签  
	
plt.ylabel('Y')  
	
#画散点图  
	
sValue = x*10  
	
ax1.scatter(x,y,s=sValue,c='r',marker='x')  
	
#设置图标  
	
plt.legend('x1')  
	
#显示所画的图  
	
plt.show()  


（2）、不同颜色

[python] view plain copy

#导入必要的模块  
	
import numpy as np  
	
import matplotlib.pyplot as plt  
	
#产生测试数据  
	
x = np.arange(1,10)  
	
y = x  
	
fig = plt.figure()  
	
ax1 = fig.add_subplot(111)  
	
#设置标题  
	
ax1.set_title('Scatter Plot')  
	
#设置X轴标签  
	
plt.xlabel('X')  
	
#设置Y轴标签  
	
plt.ylabel('Y')  
	
#画散点图  
	
cValue = ['r','y','g','b','r','y','g','b','r']  
	
ax1.scatter(x,y,c=cValue,marker='s')  
	
#设置图标  
	
plt.legend('x1')  
	
#显示所画的图  
	
plt.show()  
结果：



（3）、线宽linewidths

[python] view plain copy

#导入必要的模块  
	
import numpy as np  
	
import matplotlib.pyplot as plt  
	
#产生测试数据  
	
x = np.arange(1,10)  
	
y = x  
	
fig = plt.figure()  
	
ax1 = fig.add_subplot(111)  
	
#设置标题  
	
ax1.set_title('Scatter Plot')  
	
#设置X轴标签  
	
plt.xlabel('X')  
	
#设置Y轴标签  
	
plt.ylabel('Y')  
	
#画散点图  
	
lValue = x  
	
ax1.scatter(x,y,c='r',s= 100,linewidths=lValue,marker='o')  
	
#设置图标  
	
plt.legend('x1')  
	
#显示所画的图  
	
plt.show()  


 

                     注：  这就是scatter基本的用法。

1、作用

研究两个数值变量之间的关系

2、绘制
plt.scatter(data = df, x = 'num_var1', y = 'num_var2')
#带有回归曲线
sb.regplot(data = df, x = 'num_var1', y = 'num_var2', reg_fit = False)
#指定x轴和y轴的名称
plt.xlabel('')
plt.ylabel('')

sb默认的回归函数是线性回归，如果我们不关心回归线，那么可以在 regplot 函数调用中设置 reg_fit = False
3、透明度和抖动
“alpha” 的值可以介于 0（完全透明，不可见） 到 1（完全不透明）之间
plt.scatter(data = df, x = 'disc_var1', y = 'disc_var2', alpha = 1/5)

抖动：使每个点稍微偏离真实值所对应的位置，可以单独添加 x 轴和 y 轴抖动，不会影响到回归方程的拟合情况，抖动设置将导致每个点在真实值的 ±0.2 范围内抖动
sb.regplot(data = df, x = 'disc_var1', y = 'disc_var2', fit_reg = False,x_jitter = 0.2, y_jitter = 0.2, scatter_kws = {'alpha' : 1/3})
plt.scatter(data = df, x = 'num_var1', y = 'num_var2',alpha=1/3)

4、热点图

cmap = ‘viridis_r’ 可以将默认的 “viridis” 修改为反向的调色板，添加 cmin = 0.5 参数后，只有包含一个数据点以上的单元格才会有颜色
bins_x = np.arange(0.5, 10.5+1, 1)
bins_y = np.arange(-0.5, 10.5+1, 1)
plt.hist2d(data = df, x = 'disc_var1', y = 'disc_var2',bins = [bins_x, bins_y], cmap = 'viridis_r', cmin = 0.5)
#添加色条
plt.colorbar();