泡泡图（Matplotlib ）

诗酒夜风

于 2024-09-21 16:33:50 发布

阅读量792

点赞数 8

文章标签： matplotlib

本文链接：https://blog.csdn.net/2301_81304855/article/details/142418714

版权

泡泡图（Bubble Chart）是一种数据可视化工具，它通过在二维平面上绘制气泡来展示数据。每个气泡的大小通常代表数据集中某个变量的数值大小，而气泡的位置则由其他两个变量决定。以下是泡泡图的详细介绍：

1.泡泡图的介绍

泡泡图（气泡图）是一种可视化工具，用于展示三个变量之间的关系。它的基本构成包括：

X轴和Y轴：分别表示两个变量的值。
气泡大小：表示第三个变量的值，气泡的面积通常与该变量成比例。
气泡颜色：可以用来表示不同的类别或数据组。

2.泡泡图的公式

在绘制泡泡图时，气泡的大小通常是通过以下公式计算的：

$Area=k\times Value$

其中，k 是一个常数，用于调整气泡的大小，使其在图表中可视化效果更佳。气泡的面积而非半径或直径被用来表示数据值，以避免视觉误差，因为面积的变化是线性而不是指数级的。

3.泡泡图的应用场景

泡泡图适用于多种场景，包括：

市场分析：展示产品的销售额、市场份额和价格之间的关系。
数据分析：分析社交网络用户的粉丝数、关注数和活跃度。
科学研究：展示不同变量之间的关系，如基因功能分析等。

泡泡图的直观性和信息丰富性使其成为数据可视化中的重要工具，能够帮助用户快速识别趋势和模式

4.泡泡图的作用

多变量展示：能够同时展示三个或更多变量之间的关系。
趋势识别：通过气泡的分布和大小，可以识别数据中的模式和趋势。
异常值检测：较大的或较小的气泡可能表明数据中的异常值。

5.泡泡图的诊断

大小分析：气泡的大小可以帮助识别数据集中的高值或低值。
位置分析：气泡的位置可以帮助理解变量之间的关系。

6.泡泡图的局限

解释性：对于非专业人士来说，气泡大小与数值的关系可能不易理解。
可读性：当气泡数量过多或重叠时，图表的可读性会受到影响。

泡泡图是一个直观且功能强大的数据可视化工具，它可以帮助用户快速理解数据集中的复杂关系和模式。然而，它也需要用户具备一定的数据分析能力，以便正确解释图表中的信息。

泡泡图示例分析

1.图表类型：这是一个泡泡图，用于展示三个变量（年龄、收入和支出）之间的关系。

2 .数据结构：

ages：代表年龄的数组，从25岁到50岁。
incomes：代表收入的数组，从30,000到55,000元。
expenditures：代表支出的数组，从300到1300元。

3.图形特征：

图表中的每个点代表一个年龄-收入-支出的组合。
每个点（气泡）的位置由年龄（X轴）和收入（Y轴）决定。
气泡的大小代表支出的金额，支出越多，气泡越大。
气泡的颜色由年龄决定，使用viridis颜色映射，年龄越大，颜色越深。

4.收入分析

年龄越大，一般收入也越高，这可能与工作经验和职位提升有关。
支出随着收入的增加而增加，这可能反映了更高的生活成本或消费能力。

5.视觉呈现：

X轴标签清晰地标示了不同的年龄段。
Y轴标签表示收入，范围从30,000元到55,000元。
图表标题为“Age vs. Income vs. Expenditure”，清晰地描述了图表的内容。
颜色条清晰地标示了不同颜色对应的年龄范围，方便识别。

6. 代码功能：

使用matplotlib.pyplot库中的scatter函数生成泡泡图。
s参数用于控制气泡的大小，这里将支出数据乘以10以增强视觉效果。
c参数和cmap参数用于设置气泡的颜色，这里使用年龄数据来映射颜色，并使用viridis颜色映射。
alpha参数用于设置气泡的透明度，以0.5的值使气泡半透明，便于观察重叠的气泡。

结论：这个图表有效地展示了不同年龄段人群的收入和支出情况，通过视觉对比可以直观地看出年龄、收入和支出之间的关系。这种类型的图表非常适合用于展示和分析多变量数据，帮助观察者理解不同变量之间的潜在联系。

示例代码：

import matplotlib.pyplot as plt
import numpy as np
# 假设数据
ages = np.array([25, 30, 35, 40, 45, 50])
incomes = np.array([30000, 35000, 40000, 45000, 50000, 55000])
expenditures = np.array([300, 500, 700, 900, 1100, 1300])
# 我们将使用ages数组来映射颜色，表示不同年龄段
scatter = plt.scatter(ages, incomes, s=expenditures*10, c=ages, alpha=0.5, cmap='viridis')
# 添加标题和坐标轴标签
plt.title('Age vs. Income vs. Expenditure')
plt.xlabel('Age')
plt.ylabel('Income')
# 添加颜色条
plt.colorbar(scatter, label='Age')
# 显示图表
plt.show()