Python数据可视化，Matplotlib绘制“散点图”的两种方法！

前言

散点图是Matplotlib常用图形之一，与线形图类似。但是这种图形不再由线段连接，而是由独立的点、圆圈或其他形状构成。那么怎么画散点图呢？Matplotlib给出了两种不同的方法，去画散点图。如何在不同的情况下，合理的使用这两种方法？

python学习关注我们企鹅qun： 8393 837 65 各类入门学习资料免费分享哦！

用plt.plot画散点图

<pre >import numpy as np

import matplotlib.pyplot as plt

x= np.linspace(0, 10, 30)

y= np.sin(x)

plt.plot(x, y, 'o', color='black');

</pre>

plt.plot函数的第三个参数是一个字符，表示图形符号的类型。与你之前用 '-' 和 '--' 设置线条属性类似，对应的图形标记也有缩写形式。

1.部分图形标记展示

<pre >rng= np.random.RandomState(0)

formarkerin['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);

</pre>

2.连接每一个点

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

</pre>

用图形标记的缩写形式，跟线段组合成一给新的字符，传给plt.plot函数

3.自定义线条和散点属性

<pre >plt.plot(x, y, '-p', color='gray',

markersize=15, linewidth=4,

markerfacecolor='white',

markeredgecolor='gray',

markeredgewidth=2)

plt.ylim(-1.2, 1.2)

</pre>

plt.plot函数非常灵活，可以满足各种不同的可视化配置需求。

用plt.scatter画散点图

这是另一个创建散点图的函数是plt.scatter。它的功能非常强大，其用法与plt.plot函数类似。

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

</pre>

plot与scatter的区别

plt.scatter与plt.plot的主要差别在于，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(大小、表面颜色、边 框颜色等)。

1.随机散点图

创建一个随机散点图，里面有各种颜色和大小的散点。为了能更好地显示重叠部分，用alpha参数来调整透明度。

<pre >rng= np.random.RandomState(0)

x= rng.randn(100)

y= rng.randn(100)

colors= rng.rand(100)

sizes= 1000*rng.rand(100)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,

cmap='viridis')

plt.colorbar; # 显示颜色条

</pre>

注意点，颜色自动映射成颜色条(color scale，通过colorbar显示)，散点的大小以像素为单位。这样，散点的颜色与大小就可以在可视化图中显示多维数据的信息了。

plot与scatter:效率对比

plt.plot 与 plt.scatter 除了特征上的差异之外，还有什么影响我们选择的因素呢?在数 据量较小的时候，两者在效率上的差异不大。但是当数据变大到几千个散点时，plt.plot 的效率将大大高于 plt.scatter。这是由于 plt.scatter 会对每个散点进行单独的大小与颜 色的渲染，因此渲染器会消耗更多的资源。而在 plt.plot 中，散点基本都彼此复制，因此整个数据集中所有点的颜色、尺寸只需要配置一次。由于这两种方法在处理大型数据集时有很大的性能差异，因此面对大型数据集时，plt.plot 方法比 plt.scatter 方法好。

好啦，如果你跟我一样都喜欢python，想成为一名优秀的程序员，也在学习python的道路上奔跑，欢迎你加入python学习群：839383765 群内每天都会分享最新业内资料，分享python免费课程，共同交流学习，让学习变（编）成（程）一种习惯！

转载于:https://blog.51cto.com/14186420/2346967