写在前面：
计算机很呆很强大，你必须要一步一步耐心的告诉他你需要他干什么
关于数据可视化
（下文所使用的示例库为：matplotlib）
在python中，数据可视化就是简单的画图（不要被感觉很宏大其实很渺小的学术词所吓到）
因此我们已知需要画图，我们必须要让我们的计算机知道“他需要搬出画图工具”这件事，在python中如何告知呢？那就要用到我们就需要进行：
第三方库导入
import matplotlib.pyplot as plt #计算机请你拿出画图工具喔~对第三方库导入还不熟悉的童鞋可以参考这篇：Python篇（基础）：在Python导入第三方库的标准格式-CSDN博客
第三方库导入简单讲解
- matplotlib：Python 最著名的 数据可视化库，用于绘制各种图表（折线图、散点图、柱状图等）
- pyplot：matplotlib的核心子模块，提供 MATLAB 风格的绘图接口，并且其中还包含常用绘图函数：如plot( )，scatter( )，bar( )，show( )等等
- as plt：为 matplotlib.pyplot 设置别名plt，为了简化代码，使得plt.函数名=matplotlib.pyplot.函数名
）
怎么画图呢？我们既然导入了matplotlib库，我们就可以开始画类似于折线图，散点图，柱状图等等（可不是说乱涂乱画的那个画图喔），那我们先来展示
散点图 scatter()
我们先有一个散点图的概念，这样方便我们理解其本身以及代码：
散点图的特点
我们不难发现，我们在绘图的时候需要注意的几个关键点：
双变量关系：X轴和Y轴分别表示两个变量（如自变量和因变量）
数据的特点：点的大小，颜色，形状不同
数据之间的相关性：点的分布方向显示正相关/负相关
还有一些有关于表格外表的变量：表格名称等
我们再来看散点图本身的代码：
绘画散点图的代码
plt.scatter(x, y, s, c, marker, …)简单的，我们把plt.scatter()定义为前缀，那么后缀就是括号内的内容：
前缀的内容
plt代表我们让计算机拿出来的工具，后缀.scatter是“散”的意思，放在一起就是需要用plt工具去画散点图的意思。
后缀的内容
那些是目标散点图的具体参数，可以理解为要告诉计算机我要让他画一个什么样的散点图。
那么我们不难理解，绘图的重点在后缀那些影响图本身的参数上，下面来介绍内置参数
常用的内置参数
核心参数（绘图必备）
| 参数名 | 变量类型 | 功能说明 |
|---|---|---|
x | 数组 | 散点的横坐标数据（必需）。 |
y | 数组 | 散点的纵坐标数据（必需）。 |
s | 标量或数组 | 散点的大小（面积），默认值 20。若为数组，则每个点独立设置大小。 |
c | 颜色字符串、数组或RGB | 散点的颜色。可接受：<br>• 单一颜色（如 "red"）<br>• 颜色数组（长度 n）<br>• RGB/RGBA 数组。 |
marker | 字符串 | 散点的形状，如：<br>• "o"：圆形（默认）<br>• "s"：方形<br>• "^"：三角形。 |
样式控制参数（改变外观）
| 参数名 | 变量类型 | 功能说明 |
|---|---|---|
alpha | 浮点数 (0-1) | 散点的透明度（0 完全透明，1 不透明）。 |
edgecolors | 颜色或字符串 | 散点边缘颜色：<br>• "face"：与填充色相同（默认）<br>• "none"：无边缘。 |
linewidths | 标量或数组 | 散点边缘线宽（单位：像素）。 |
cmap | Colormap对象 | 颜色映射表（如 "viridis"），仅当 c 为数值数组时生效。 |
label | 字符串 | 设置图例标签（需配合 plt.legend() 使用）。 |
高级参数（精细化控制）
| 参数名 | 变量类型 | 功能说明 |
|---|---|---|
norm | Normalize对象 | 归一化 c 的数值范围至 [0,1]，配合 cmap 使用（覆盖 vmin/vmax）。 |
vmin, vmax | 标量 | 手动设置 c 的颜色映射范围（若 norm 存在则失效）。 |
plotnonfinite | 布尔值 | 是否绘制非数值点（如 |
如何输出图像（需要严格执行先后顺序）
那么最后的问题来了：我们如何让计算机输出他绘画的图呢？
我们需要分解步骤（需要严格执行先后顺序）：
1，保存图片
plt.savefig(
'high_quality_plot.png',# 图片名称
dpi=300, # 提高分辨率（默认100）
bbox_inches='tight', # 自动去除多余白边 ✔️
transparent=True, # 透明背景（适合网页）
facecolor='lightblue' # 自定义背景色
)2，展示图片
plt.show() # 显示图形ps：为什么输出不了中文的标题？可以看这篇：
Python基础篇：数据可视化的图片为什么不能输出中文？-CSDN博客
散点图与随机数的关系：
散点图离不开随机数，为什么需要随机数？主要出于以下目的：
模拟真实数据分布（无真实数据时）
- 作用：当缺乏真实数据集时，随机数可生成符合特定分布（如正态分布、均匀分布）的模拟数据，用于展示散点图的基本功能。
- 示例：
此类数据能直观展示变量间的相关性（如线性、非线性关系）。import numpy as np # 生成正态分布数据（均值=5，标准差=1） x = np.random.normal(5, 1, 1000) y = np.random.normal(10, 2, 1000) plt.scatter(x, y)
测试算法或模型的鲁棒性
- 作用：在机器学习或统计分析中，需验证模型对噪声的敏感度。随机数生成的数据可添加可控噪声（如异常值），测试模型的稳定性。
- 案例：
生成包含随机异常值的数据集，观察回归直线是否偏移，评估模型抗干扰能力。
探索数据关系（多变量场景）
- 作用：多元回归分析中，散点图可能无法直接展示多变量间的复杂关系（如交互效应）。随机生成的数据可辅助设计实验，分离变量影响。
- 关键点：
- 单一散点图仅能反映两个变量的关系，多变量需结合其他方法（如三维散点图或统计指标）。
- 例如：即使
y=ax1+bx2+cx3存在线性关系，单独画y-x1散点图可能显示弱相关性。
教学与演示的可重复性
- 作用：通过固定随机种子（如
np.random.seed(42)），确保每次生成的散点图数据一致，便于教学演示和结果复现。 - 代码示例：
np.random.seed(0) # 固定随机种子 x = np.random.rand(100) y = np.random.rand(100)
调试与可视化优化
- 作用：随机数据可快速验证图表自定义效果（如颜色、大小、透明度），避免因真实数据复杂而干扰调试。
- 常见调试项：
- 点的大小（
s参数）与随机数关联：sizes = np.random.rand(100) * 100 - 颜色映射（
c和cmap参数）的视觉测试
- 点的大小（
举个例子
可根据上述内容来理解下列代码：
import matplotlib.pyplot as plt
import numpy as np
# 设置随机种子保证可重现性
np.random.seed(42)
# 创建数据
n = 50 # 每组50个数据点
x1 = np.random.normal(0, 1, n) # 组1 X值
y1 = np.random.normal(0, 1, n) # 组1 Y值
x2 = np.random.normal(3, 1, n) # 组2 X值
y2 = np.random.normal(3, 1, n) # 组2 Y值
# 创建图形和坐标轴
plt.figure(figsize=(10, 7))
# 绘制第一组数据 - 用星星表示
plt.scatter(x1, y1,
s=120, # 点的大小
c='royalblue', # 颜色
marker='*', # 星星标记
edgecolor='navy', # 边框颜色
alpha=0.8, # 透明度
label='团队A') # 图例标签
# 绘制第二组数据 - 用圆圈表示
plt.scatter(x2, y2,
s=100, # 点的大小
c='coral', # 颜色
marker='o', # 圆圈标记
edgecolor='darkred', # 边框颜色
alpha=0.8, # 透明度
label='团队B') # 图例标签
# 添加标题和标签
plt.title('text', fontsize=16, pad=20)
plt.xlabel('Efficiency index', fontsize=12)
plt.ylabel('Quality index', fontsize=12)
# 添加图例和网格
plt.legend(fontsize=12, loc='upper left')
plt.grid(True, linestyle='--', alpha=0.3)
# 设置坐标轴范围，使两组数据都清晰可见
plt.xlim(-3, 6)
plt.ylim(-3, 6)
# 添加平均线
plt.axvline(x=np.mean(x1), color='royalblue', linestyle='--', alpha=0.3)
plt.axvline(x=np.mean(x2), color='coral', linestyle='--', alpha=0.3)
# 添加水平中线
plt.axhline(y=0, color='gray', linewidth=0.5, alpha=0.5)
plt.axvline(x=0, color='gray', linewidth=0.5, alpha=0.5)
# 显示图形
plt.tight_layout()
plt.savefig('scatter_plot.png', dpi=300,bbox_inches='tight',transparent=False)
plt.show()生成结果如下：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
