简易散点图——Note

一、用plt.plot()画散点图

import matplotlib.pyplot as plt import numpy as np plt.style.use('seaborn-whitegrid') x = np.linspace(0, 10, 30) y = np.sin(x) plt.plot(x, y, 'o', color='black')

函数的第三个参数是一个字符，表示图形符号的类型。和之前使用的"-“和”–"设置线条属性类似。对应的还有下面演示的：

rng = np.random.RandomState(0) for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']: plt.plot(rng.rand(5), rng.rand(5), marker, label="marker='{0}'".format(marker)) plt.legend(numpoints=1) plt.xlim(0, 1.8)

1、用线条链接散点

plt.plot(x, y, '-ok') # 直线（-），圆圈（o），黑色（k）

2、自定义线条和散点属性：

plt.plot(x, y, '-p', color='gray', markersize=15, linewidth=4, markerfacecolor='white', markeredgecolor='gray', markeredgewidth=2) plt.ylim(-1.2, 1.2)

二、用plt.scatter()画散点图

https://matplotlib.org/3.1.1/api/_as_gen/matplotlib.pyplot.scatter.html#matplotlib.pyplot.scatter plt.scatter与plt.plot的不同之处在于：前者在创建散点图时具有更高的灵活性，可以单独控制每个散点与数据匹配，也可以让每个散点具有不同的属性。

plt.scatter(x, y, marker='o')

1、改变散点的大小、颜色与透明度

rng = np.random.RandomState(0) x = rng.randn(100) # 产生标准正态分布的随机数 y = rng.randn(100) colors = rng.rand(100) # 产生 0~1 之间的随机数 sizes = 1000 * rng.rand(100) plt.scatter(x, y, c=colors, s=sizes, alpha=0.3, cmap='viridis') # alpha为透明度，cmap为颜色表 plt.colorbar() # 显示颜色条

2、用散点属性对鸢尾花的特征进行编码：

from sklearn.datasets import load_iris iris = load_iris() features = iris.data.T plt.scatter(features[0], features[1], alpha=0.2, s=100*features[3], c=iris.target, cmap='viridis') plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1])

plot与scatter的效率对比

在数据量比较小的时候，两者在效率上的差异不大。但是，当数据量变大时，plt.plot的效率将大大高于plt.scatter的效率。这是因为plt.scatter会对每一个散点进行单独的大小和颜色的渲染，渲染器会消耗更多的资源。