Python matplotlib绘制散点图配置(万能模板案例)

目录

• 散点图
• 散点图一行代码显示
• 加颜色的散点图
• 颜色深浅表示数值大小
• 散点图显示颜色和大小
• 自定义图表散点图
• 散点图万能模板
• 其他模板

散点图

散点图是指在 回归分析中，数据点在直角坐标系平面上的 分布图，散点图表示因变量随 自变量而 变化的大致趋势，据此可以选择合适的函数 对数据点进行 拟合。

用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在 图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。

下面给出一个散点图的具体代码案例

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

plt.figure(figsize=(9,5), # (宽度 , 高度) 单位inch
dpi=120, # 清晰度 dot-per-inch
# facecolor=\'#CCCCCC\', # 画布底色
# edgecolor=\'black\',linewidth=0.2,frameon=True, # 画布边框
#frameon=False # 不要画布边框
)
# 设置全局中文字体
plt.rcParams[\'font.sans-serif\'] = \'KaiTi\' # 设置全局字体为中文 楷体
plt.rcParams[\'axes.unicode_minus\'] = False # 不使用中文减号
#读取数据
crime=pd.read_csv(\"crimeRatesByState2005.csv\")
print (list(crime.murder))#转化成列表
#删除state为United States的数据
crime2 = crime[crime.state != \"United States\"]
#删除state为District of Columbia的数据
crime2 = crime2[crime2.state != \"District of Columbia\" ]
z = list(crime2.population/10000)#取人口数据
#colors = np.random.rand(len(list(crime2.murder)))#根据谋杀率随机去颜色
cm = plt.cm.get_cmap(\'RdYlBu\')#使用色谱RdYlBu
plt.scatter(list(crime2.murder), list(crime2.burglary), s=z,c=z,cmap = cm, linewidth = 0.5, alpha = 0.5)#绘制散点图
plt.xlabel(\"murder\")
plt.ylabel(\"burglary\")
plt.show()

散点图一行代码显示

# 读取数据
df = pd.read_csv(\'iris.csv\')
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\']
y = df[\'sepal_width\']
# 根据X，Y值画散点图
plt.scatter(x,y)

加颜色的散点图

# 读取数据
df = pd.read_csv(\'iris.csv\')
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\']
y = df[\'sepal_width\']
c = df[\'species\'].map({\'setosa\':\'r\',\'versicolor\':\'g\',\'virginica\':\'b\'})
# 根据X，Y值画散点图, 用不同的颜色标识不同的分类
plt.scatter(x,y, c=c)

颜色深浅表示数值大小

# 读取数据
df = pd.read_csv(\'iris.csv\')
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\']
y = df[\'sepal_width\']
c = df[\'petal_length\']
# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度
plt.scatter(x,y, c=c, cmap=plt.cm.RdYlBu)

散点图显示颜色和大小

# 读取数据
df = pd.read_csv(\'iris.csv\')
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\'] # x 轴坐标
y = df[\'sepal_width\'] # y 轴坐标
c = df[\'petal_length\'] # 颜色color
s = df[\'petal_width\'] # 大小size
# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50) # 可以是标量，那么所有的点都一样
plt.scatter(x,y, c=c, s=s*30)

自定义图表散点图

# 读取数据
df = pd.read_csv(\'iris.csv\')
def get_xycs(df):
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\'] # x 轴坐标
y = df[\'sepal_width\'] # y 轴坐标
c = df[\'petal_length\'] # 颜色color
s = df[\'petal_width\'] # 大小size
return x,y,c,s
markers = {\'setosa\':\'o\', \'versicolor\':\'D\', \'virginica\':\'*\'}
# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度, 每组数据只能是一种点样式
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50) # 可以是标量，那么所有的点都一样
for sp in df[\'species\'].unique():
x,y,c,s = get_xycs(df[df[\'species\']==sp])
plt.scatter(x,y, c=c, s=s*30, cmap=plt.cm.seismic, marker=markers[sp],label=sp)
plt.legend()

散点图万能模板

# 读取数据
df = pd.read_csv(\'iris.csv\')
def get_xycs(df):
# 平面坐标系的位置只能表示2维数据
x = df[\'sepal_length\'] # x 轴坐标
y = df[\'sepal_width\'] # y 轴坐标
c = df[\'petal_length\'] # 颜色color
s = df[\'petal_width\'] # 大小size
return x,y,c,s
markers = {\'setosa\':\'o\', \'versicolor\':\'D\', \'virginica\':\'*\'}
# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度, 每组数据只能是一种点样式
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50) # 可以是标量，那么所有的点都一样
for sp in df[\'species\'].unique():
x,y,c,s = get_xycs(df[df[\'species\']==sp])
plt.scatter(x,y, s=s*30, cmap=plt.cm.seismic, marker=markers[sp],label=sp)
plt.legend()

其他模板

### 在二维坐标系上，位置表示(x,y)二维数据
x = df.sepal_length # x 表示花瓣长
y = df.sepal_width # y 表示花瓣宽
s = (df.petal_length * df.petal_width)*np.pi # s(size) 表示花萼面积
c = (df.petal_length * df.petal_width)*np.pi
plt.scatter(x,y,s=s*5, c=c,cmap=plt.cm.RdYlBu_r)
plt.xlabel(\'sepal_length\')
plt.ylabel(\'sepal_width\')

# 在二维坐标系上，位置表示(x,y)二维数据
x = df.sepal_length # x 表示花瓣长
y = df.sepal_width # y 表示花瓣宽
s = (df.petal_length * df.petal_width)*np.pi # s(size) 表示花萼面积
#print(df.species)
#colormap = {\"setosa\":\"#FF0000\", \"versicolor\":\"green\", \"virginica\":\"b\"} # 定义一个字典将species字符串映射到颜色字符串上
colormap = {\"setosa\":1, \"versicolor\":5, \"virginica\":6} # 定义一个字典将species字符串映射到颜色字符串上
c = df.species.map(colormap)
#print(c)
plt.scatter(x,y,s=s*5, c=c,cmap=plt.cm.coolwarm, alpha=0.7, edgecolors=\'face\')
plt.xlabel(\'sepal_length\')
plt.ylabel(\'sepal_width\')

plt.scatter(df[\'burglary\'], df[\'larceny_theft\'],
s=df[\'population\']*2e-5,
c=df[\'motor_vehicle_theft\'], cmap=plt.cm.coolwarm,
edgecolors=\'b\',
alpha=0.75)

for idx,statename in df[\'state\'].items():
plt.text(x=df[\'burglary\'][idx],y=df[\'larceny_theft\'][idx]-df[\'population\'][idx]*2e-5*0.5,s=statename,fontsize=6,ha=\'center\',va=\'top\')

df.plot.scatter(x=\'burglary\',y=\'larceny_theft\',c=\'motor_vehicle_theft\',cmap=plt.cm.coolwarm,s=df[\'population\']*2e-5)
for i in df.index:
if i in top5_motor_theft_index: # 偷车贼最多的5个州
plt.text(df.loc[i,\'burglary\']+10, df.loc[i,\'larceny_theft\']-10, df.loc[i,\'state\'], color=\'red\') # 一个文本框