关系（一）利用python绘制散点图

最新推荐文章于 2024-05-08 23:36:16 发布
最新推荐文章于 2024-05-08 23:36:16 发布
阅读量2.8k 收藏 28
点赞数 15
分类专栏： 可视化 文章标签： python 数据可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39293132/article/details/137019195
版权

关系（一）利用python绘制散点图

散点图 （Scatterplot）简介

1

在笛卡尔座标上放置一系列的数据点，检测两个变量之间的关系，这就是散点图。

散点图可以了解数据之间的各种相关性，如正比、反比、无相关、线性、指数级、 U形等，而且也可以通过数据点的密度（辅助拟合趋势线）来确定相关性的强度。另外，也可以探索出异常值（在远超出一般聚集区域的数据点称）。

快速绘制

  1. 基于seaborn

    import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 基于scatterplot函数绘制散点图
sns.scatterplot(x=df["sepal_length"], y=df["sepal_width"])

plt.show()

    2

  2. 基于matplotlib

    import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 基于plot函数绘制散点图
plt.plot( 'sepal_length', 'sepal_width', data=df, linestyle='none', marker='o')

plt.show()

    3

定制多样化的散点图

自定义散点图一般是结合使用场景对相关参数进行修改，并辅以其他的绘图知识。参数信息可以通过官网进行查看，其他的绘图知识则更多来源于实战经验，大家不妨将接下来的绘图作为一种学习经验，以便于日后总结。

通过seaborn绘制多样化的散点图

seaborn主要利用scatterplot和regplot绘制散点图，可以通过seaborn.scatterplot和seaborn.regplot了解更多用法

  1. 修改参数

    import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

sns.set(font='SimHei', font_scale=0.8, style="darkgrid") # 解决Seaborn中文显示问题

# 导入数据
df = sns.load_dataset("iris")

# 构造子图
fig, ax = plt.subplots(2,2,constrained_layout=True, figsize=(8, 8))

# 增加趋势拟合线
ax_sub = sns.regplot(x=df["sepal_length"], y=df["sepal_width"], fit_reg=True,
                         line_kws={"color":"r","alpha":0.7,"lw":5},ax=ax[0][0])
ax_sub.set_title('增加趋势拟合线')

# 自定义标记类型
ax_sub = sns.regplot(x=df["sepal_length"], y=df["sepal_width"], marker="+", fit_reg=False, ax=ax[0][1])
ax_sub.set_title('自定义标记类型')

# 自定义标记外形
ax_sub = sns.regplot(x=df["sepal_length"], y=df["sepal_width"], fit_reg=False, 
                        scatter_kws={"color":"darkred", # 颜色
                                  "alpha":0.3, # 透明度
                                  "s":200}, # 点大小
                        ax=ax[1][0]
                    )
ax_sub.set_title('自定义标记外形')

# 自定义每个点颜色
value=(df['sepal_length']>6) & (df['sepal_width']>3) # 构造特殊的点
df['color']= np.where( value==True , "#9b59b6", "#3498db") # 颜色区分

ax_sub = sns.regplot(data=df, x=df["sepal_length"], y=df["sepal_width"], fit_reg=False,
                scatter_kws={'facecolors':df['color']},ax=ax[1][1])
ax_sub.set_title('自定义每个点颜色')

plt.show()

    4

  2. 分组散点图

    import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.gridspec as gridspec

# 导入自定义模块
import SeabornFig2Grid as sfg

sns.set(font='SimHei', font_scale=0.8, style="darkgrid") # 解决Seaborn中文显示问题

# 导入数据
df = sns.load_dataset('iris')

fig = plt.figure(figsize=(8, 8))
gs = gridspec.GridSpec(2, 2)

# 默认的分组散点图
scatter1 =sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False)
scatter1.ax.set_title('默认的分组散点图')

# 自定义每组的标记
scatter2 = sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, markers=["o", "x", "1"])
scatter2.ax.set_title('自定义每组的标记')

# 自定义调色板
scatter3 = sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, palette="Set2")
scatter3.ax.set_title('自定义调色板')

# 自定义颜色
scatter4 = sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, palette=dict(setosa="#9b59b6", virginica="#3498db", versicolor="#95a5a6"))
scatter4.ax.set_title('自定义颜色')

# 使用SeabornFig2Grid转换 seaborn 图为 matplotlib 子图
mg1 = sfg.SeabornFig2Grid(scatter1, fig, gs[0])
mg2 = sfg.SeabornFig2Grid(scatter2, fig, gs[1])
mg3 = sfg.SeabornFig2Grid(scatter3, fig, gs[2])
mg4 = sfg.SeabornFig2Grid(scatter4, fig, gs[3])

gs.tight_layout(fig)
plt.show()

    5

  3. 添加文本注释

    import pandas as pd
import numpy as np
import matplotlib.pylab as plt
import seaborn as sns

# 自定义数据
df = pd.DataFrame({
'x': [1, 1.5, 3, 4, 5],
'y': [5, 15, 5, 10, 2],
'group': ['A','other group','B','C','D']
})

# 绘制基本散点图
sns.regplot(data=df, x="x", y="y", fit_reg=False, marker="o", color="skyblue", scatter_kws={'s':400})

# 为每个点添加注释
for line in range(0,df.shape[0]):
     plt.text(df.x[line]+0.2, df.y[line], df.group[line], horizontalalignment='left', size='medium', color='black', weight='semibold')

plt.show()

    6

通过matplotlib绘制多样化的散点图

matplotlib主要利用plot绘制散点图，可以通过matplotlib.pyplot.plot了解更多用法

  1. 自定义散点图

    import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.patches as patches
import numpy as np 
import pandas as pd
import palmerpenguins

mpl.rcParams.update(mpl.rcParamsDefault) # 恢复默认的matplotlib样式
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签

# 设置随机种子
np.random.seed(0)

# 自定义数据
df=pd.DataFrame({'x_pos': range(1,101), 'y_pos': np.random.randn(100)*80+range(1,101) })

# 初始化
fig = plt.figure(figsize=(12,8))

# 1、自定义标记
ax = plt.subplot2grid((2, 2), (0, 0), colspan=1)
plt.plot( 'x_pos', 'y_pos', data=df, linestyle='none', marker='*', # 标记形状
                markersize=12, # 标记大小
                markerfacecolor='skyblue', # 标记颜色
                markeredgewidth=0.3, # 标记边缘
                markeredgecolor="orange", # 标记边缘颜色
                 )
ax.set_title('自定义标记')


# 2、添加注释信息
ax = plt.subplot2grid((2, 2), (0, 1), colspan=1)
plt.plot( 'x_pos', 'y_pos', data=df, linestyle='none', marker='o')
# 文本
plt.annotate('有趣的点！', xy=(25, 200), xytext=(0, 300),
                      # 自定义箭头
                     arrowprops=dict(facecolor='black', shrink=0.005))
# 公式
plt.text(70, -120, r'equation: $\sum_{i=0}^\infty x_i$', fontsize=12)
# 正方形边缘框 
# patches.Circle为圆形边框，patches.Ellipse为椭圆形边框
ax.add_patch(
                patches.Rectangle(
                (70, 100), # (x,y)
                25, # 宽
                50, # 高
                alpha=0.3, facecolor="red", edgecolor="black", linewidth=3, linestyle='solid')
        )
# 坐标线（水平与垂直线）
plt.axvline(40, color='r'),plt.axhline(40, color='r')
ax.set_title('添加注释信息')


# 3、自定义图例
# 导入数据
data = palmerpenguins.load_penguins() 
# 数据定义
FLIPPER_LENGTH = data["flipper_length_mm"].values # flipper长度数据
BILL_LENGTH = data["bill_length_mm"].values # bill长度数据
SPECIES = data["species"].values # 物种类别数据
SPECIES_ = np.unique(SPECIES) # 物种唯一值
COLORS = ["#1B9E77", "#D95F02", "#7570B3"] # 颜色列表

ax = plt.subplot2grid((2, 2), (1, 0), colspan=1)
for species, color in zip(SPECIES_, COLORS):
    idxs = np.where(SPECIES == species)
    ax.scatter(
        FLIPPER_LENGTH[idxs], BILL_LENGTH[idxs], label=species,
        s=50, color=color, alpha=0.7
    )
# 位置、大小等图例参数
legend = ax.legend(loc="lower right", fontsize=6, markerscale=2, labelspacing=2, frameon=False)
handles = legend.legendHandles
# 自定义标识
hatches = ["+", "x", "o"]
for i, handle in enumerate(handles):
    handle.set_edgecolor("#6c2167")
    handle.set_facecolor(COLORS[i])
    handle.set_hatch(hatches[i])
    handle.set_alpha(0.7)
ax.set_title('自定义图例')


# 4、回归拟合线
# 自定义数据
rng = np.random.default_rng(1234)
x = rng.uniform(0, 10, size=100)
y = x + rng.normal(size=100)

# 绘制散点图
ax = plt.subplot2grid((2, 2), (1, 1), colspan=1)
ax.scatter(x, y, s=60, alpha=0.7, edgecolors="k")

# 拟合-polyfit返回斜率b和截距a
b, a = np.polyfit(x, y, deg=1)

# 绘制回归线
xseq = np.linspace(0, 10, num=100) # x轴
ax.plot(xseq, a + b * xseq, color="k", lw=2.5)
ax.set_title('回归拟合线')

plt.show()

    7

  2. 对数刻度线

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

plt.rcParams['font.sans-serif'] = ['DejaVu Sans'] # 用来正常显示'-' [U+2212]问题

# 自定义数据
rng = np.random.default_rng(1234)
x = rng.lognormal(size=200)
y = x + rng.normal(scale=5 * (x / np.max(x)), size=200)

# 初始化
fig = plt.figure(figsize=(10,6))

# 原始散点图
ax = plt.subplot2grid((2, 2), (0, 0), colspan=1)
ax.scatter(x, y, s=60, alpha=0.7, edgecolors="k")
ax.set_title('default')

# x轴对数刻度
ax = plt.subplot2grid((2, 2), (0, 1), colspan=1)
ax.scatter(x, y, s=60, alpha=0.7, edgecolors="k")
ax.set_xscale("log")
ax.set_title('logarithmic scale for x axes')

# y轴对数刻度
ax = plt.subplot2grid((2, 2), (1, 0), colspan=1)
ax.scatter(x, y, s=60, alpha=0.7, edgecolors="k")
ax.set_yscale("log")
ax.set_title('logarithmic scale for y axes')

# xy轴对数刻度
ax = plt.subplot2grid((2, 2), (1, 1), colspan=1)
ax.scatter(x, y, s=60, alpha=0.7, edgecolors="k")
ax.set_xscale("log")
ax.set_yscale("log")
ax.set_title('logarithmic scale for x/y axes')


fig.tight_layout() # 自动调整间距
plt.show()

    8

  3. 引申-绘制曼哈顿图

    # 曼哈顿图是散点图的一种变体，可联想曼哈顿鳞次栉比的大楼
# 一般用于基因相关研究，如GWAS。每组表示一个染色体，每个点表示一个基因
# x轴为该点在染色体的位置，y轴值代表其P值的-log10，越高相关性越强

from pandas import DataFrame
from scipy.stats import uniform
from scipy.stats import randint
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import matplotlib.cm as cm

mpl.rcParams.update(mpl.rcParamsDefault) # 恢复默认的matplotlib样式

# 自定义数据
df = DataFrame({'gene' : ['gene-%i' % i for i in np.arange(10000)],
                'pvalue' : uniform.rvs(size=10000),
                'chromosome' : ['ch-%i' % i for i in randint.rvs(0,12,size=10000)]})

# p值对数化
df['minuslog10pvalue'] = -np.log10(df.pvalue)
# 染色体组
df.chromosome = df.chromosome.astype('category') # 转category类型
df.chromosome = df.chromosome.cat.set_categories(['ch-%i' % i for i in range(12)], ordered=True) # 排序
df = df.sort_values('chromosome') # 数据排序

# 如何绘制基因与 -log10(pvalue) 的关系并按染色体着色
df['ind'] = range(len(df))
df_grouped = df.groupby(('chromosome'))

# 绘制曼哈顿图
fig = plt.figure(figsize=(14, 8))
ax = fig.add_subplot(111)
cmap = cm.get_cmap('rainbow', 12) # 获取调色板
colors = [cmap(i) for i in range(12)] # 分配颜色
x_labels = []
x_labels_pos = []

for num, (name, group) in enumerate(df_grouped):
    group.plot(kind='scatter', x='ind', y='minuslog10pvalue',color=colors[num % len(colors)], ax=ax)
    x_labels.append(name)
    x_labels_pos.append((group['ind'].iloc[-1] - (group['ind'].iloc[-1] - group['ind'].iloc[0])/2))
ax.set_xticks(x_labels_pos)
ax.set_xticklabels(x_labels)

# 设置轴
ax.set_xlim([0, len(df)])
ax.set_ylim([0, 3.5])
ax.set_xlabel('Chromosome')

plt.show()

    9

  4. 引申-单轴散点图

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

# 自定义数据
days = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
hours = list(range(24))
sales_data = []

for day in days:
    for hour in hours:
        rand_num = random.random()  # 生成0-1之间的随机数
        if rand_num <= 0.8:  # 80%的概率生成0-100之间的销售量
            sales_volume = random.randint(0, 20)
        else:  # 20%的概率生成100-600之间的销售量
            sales_volume = random.randint(40, 500)
        sales_data.append([day, hour, sales_volume])

df = pd.DataFrame(sales_data, columns=['Day', 'Hour', 'Sales Volume'])


# 将一周的数据映射成数值类型，方便Y轴显示
day_to_num = {day: num for num, day in enumerate(days)}
df['Day_num'] = df['Day'].map(day_to_num)

# 创建一个新的figure
plt.figure(figsize=(10,6))

# 移除边框
spines = plt.gca().spines
for side in ['top','right']:
    spines[side].set_visible(False)

# 为每一天绘制散点图
for day in days:
    day_data = df[df['Day'] == day]
    plt.scatter(day_data['Hour'], day_data['Day_num'], s=day_data['Sales Volume'], label=day)

plt.yticks(np.arange(len(days)), days)    # 设置y轴的刻度和标签

# 自定义图里
plt.legend(bbox_to_anchor=(1.02,1), loc="upper left", borderaxespad=0)

plt.show()

    14

如何避免过度绘制造成的散点重叠

适当处理样本

# 当数据集较大时，绘制散点图容易出现重叠造成不可读
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import seaborn as sns
import pandas as pd
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签

# 自定义数据
df=pd.DataFrame({'x': np.random.normal(10, 1.2, 20000), 
                 'y': np.random.normal(10, 1.2, 20000), 'group': np.repeat('A',20000) })
tmp1=pd.DataFrame({'x': np.random.normal(14.5, 1.2, 20000), 
                   'y': np.random.normal(14.5, 1.2, 20000), 'group': np.repeat('B',20000) })
tmp2=pd.DataFrame({'x': np.random.normal(9.5, 1.5, 20000), 
                   'y': np.random.normal(15.5, 1.5, 20000), 'group': np.repeat('C',20000) })
df=pd.concat([df,tmp1,tmp2], ignore_index=True)


# 初始化
fig = plt.figure(figsize=(8,8))

# 过度绘制
ax = plt.subplot2grid((2, 2), (0, 0), colspan=1)
plt.plot('x', 'y', "o", data=df, linestyle='')
ax.set_title('过度绘制')

# 减小标记与透明度
ax = plt.subplot2grid((2, 2), (0, 1), colspan=1)
plt.plot( 'x', 'y', "o", data=df, linestyle='', markersize=3, alpha=0.05, color="purple")
ax.set_title('减小标记与透明度')

# 2D密度图
ax = plt.subplot2grid((2, 2), (1, 0), colspan=1)
sns.kdeplot(data = df, x="x", y="y", cmap="Reds", fill=True)
ax.set_title('2D密度图')

# 样本采样
df_sample=df.sample(1000) # 样本采样
ax = plt.subplot2grid((2, 2), (1, 1), colspan=1)
plt.plot('x', 'y', "o", data=df_sample, linestyle='')
ax.set_title('样本采样')


fig.tight_layout() # 自动调整间距
plt.show()

10

分开观察

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.gridspec as gridspec

# 导入自定义模块
import SeabornFig2Grid as sfg

sns.set(font='SimHei', font_scale=0.8, style="darkgrid") # 解决Seaborn中文显示问题
 
# 自定义数据
df=pd.DataFrame({'x': np.random.normal(10, 1.2, 20000), 
                 'y': np.random.normal(10, 1.2, 20000), 'group': np.repeat('A',20000) })
tmp1=pd.DataFrame({'x': np.random.normal(14.5, 1.2, 20000), 
                   'y': np.random.normal(14.5, 1.2, 20000), 'group': np.repeat('B',20000) })
tmp2=pd.DataFrame({'x': np.random.normal(9.5, 1.5, 20000), 
                   'y': np.random.normal(15.5, 1.5, 20000), 'group': np.repeat('C',20000) })
df=pd.concat([df,tmp1,tmp2], ignore_index=True)

# 子图, 使用 gridspec 进行比例分配
fig = plt.figure(figsize=(8, 8))
gs = gridspec.GridSpec(2, 1, height_ratios=[4, 1])

# 绘制分组散点图
scatter1 = sns.lmplot( x="x", y="y", data=df, fit_reg=False, hue='group', 
               legend=False, palette="Accent", scatter_kws={"alpha":0.1,"s":15} )
scatter1.ax.legend(loc='lower right', markerscale=2)
scatter1.ax.set_title('分组散点图')

# 绘制分位面散点图
g = sns.FacetGrid(df, col="group", hue="group")
scatter2 = (g.map(plt.scatter, "x", "y", edgecolor="w"))
g.set_titles('分位面散点图-group {col_name}')
 
# 使用SeabornFig2Grid转换 seaborn 图为 matplotlib 子图
mg1 = sfg.SeabornFig2Grid(scatter1, fig, gs[0])
mg2 = sfg.SeabornFig2Grid(scatter2, fig, gs[1]) 
    
gs.tight_layout(fig)
plt.show()

11

抖动散点图

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

sns.set(font='SimHei', font_scale=0.8, style="darkgrid") # 解决Seaborn中文显示问题

# 自定义数据
a=np.concatenate([np.random.normal(2, 4, 1000), 
                  np.random.normal(4, 4, 1000), 
                  np.random.normal(1, 2, 500), 
                  np.random.normal(10, 2, 500), 
                  np.random.normal(8, 4, 1000), 
                  np.random.normal(10, 4, 1000)])
df=pd.DataFrame({'x': np.repeat( range(1,6), 1000), 'y': a })

fig, axs = plt.subplots(ncols=2, figsize=(8, 4)) # 创建1行2列的子图

# 原始散点图
axs[0].plot( 'x', 'y', "o", data=df, linestyle='')
axs[0].set_title('原始散点图')

# 抖动散点图
sns.stripplot(data =df, x="x", y="y", jitter=0.2, size=2, ax=axs[1])
axs[1].set_title('抖动散点图')

plt.tight_layout()
plt.show()

12

3D图

# 3D图
from scipy.stats import gaussian_kde
from mpl_toolkits.mplot3d import Axes3D
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams.update(mpl.rcParamsDefault) # 恢复默认的matplotlib样式
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签

# 自定义数据
nbins=300
k = gaussian_kde([df.x,df.y])
xi, yi = np.mgrid[ df.x.min():df.x.max():nbins*1j, df.y.min():df.y.max():nbins*1j]
zi = k(np.vstack([xi.flatten(), yi.flatten()]))
data=pd.DataFrame({'x': xi.flatten(), 'y': yi.flatten(), 'z': zi })

# 绘制3D图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(data.x, data.y, data.z, cmap=plt.cm.Spectral, linewidth=0.2)

ax.view_init(30, 80)

plt.title('3D图')
plt.show()

13

总结

以上通过seaborn的scatterplot和matplotlib的plot可以快速绘制散点图，并通过修改参数或者辅以其他绘图知识自定义各种各样的散点图来适应相关使用场景。

共勉～

HsuHeinrich
关注
  • 15
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python画散点图-python绘制散点图
q6q6q的专栏
10-28 2417
环境：windows系统，anaconda3 64位，python 3.61.初认识基本代码如下：import numpy as npimport matplotlib.pyplot as pltN = 1000x = np.random.randn(N)y = np.random.randn(N)plt.scatter(x, y)plt.show()这里使用numpy包的random函数随机生...
chatgpt赋能python：Python绘制散点图函数的介绍
axuhsssssco的博客
05-31 282
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
python绘制散点图的函数_数字的可视化：python画图之散点图sactter函数详解
weixin_39621044的博客
11-20 270
最近开始学习python编程，遇到scatter函数，感觉里面的参数不知道什么意思于是查资料,最后总结如下：1、scatter函数原型2、其中散点的形状参数marker如下：3、其中颜色参数c如下:4、基本的使用方法如下：#导入必要的模块importnumpy as npimportmatplotlib.pyplot as plt#产生测试数据x = np.arange(1,10)y=xfig=p...
Python使用plot()和scatter()绘制散点图
最新发布
m0_68395856的博客
05-08 921
不连接连接所有数据点的线。
python画图之散点图scatter函数详解
SunWuKong_Hadoop的博客
02-23 2605
原文地址：http://blog.csdn.net/u013634684/article/details/496463111、scatter函数原型2、其中散点的形状参数marker如下：3、其中颜色参数c如下:4、基本的使用方法如下：[python] view plain copy#导入必要的模块  import numpy as np  import matplotlib.pyplot as ...
python数据分析基础002 -使用matplotlib绘图（散点图，条形图，直方图）
2401_84010384的博客
04-12 435
外链图片转存中…(img-S5i972YG-1712919968486)][外链图片转存中…(img-qYyxoVWG-1712919968486)]
利用python绘制散点图
10-23
本代码是利用python绘制散点图，使用xlrd读取Excel文件，
python绘制简单折线图代码示例
09-20
在本教程中，我们将深入探讨如何使用Python绘制简单折线图，并提供相关的代码示例。 1. **基本折线图的绘制** 最基础的折线图只需要两组数据，即x轴和y轴的值。以下是一个简单的例子： ```python import numpy ...
python绘制散点图并标记序号的方法
01-21
实现二维平面上散点的绘制，并可以给每个散点标记序号或者名称： import numpy as np import matplotlib.pyplot as...以上这篇python绘制散点图并标记序号的方法就是小编分享给大家的全部内容了，希望能给大家一个参考
Python散点图与折线图绘制过程解析
09-18
本文将深入探讨如何使用Python绘制散点图和折线图，这两种图表在数据分析中都非常常见。 首先，我们需要导入必要的库，这里是`matplotlib.pyplot`，通常简称为`plt`，用于创建图形和图像，以及`matplotlib.font_...
python2.7使用plotly绘制本地散点图和折线图
09-19
主要为大家详细介绍了python2.7使用plotly绘制本地散点图和折线图实例，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
【Python】豆瓣电影TOP250数据规律分析（Pearson相关系数、折线图、条形图、直方图）
12-21
1、数据集预览 原创文章 113获赞 137访问量 7万+ 关注 私信 展开阅读全文 作者：Vivid-victory
【Python可视化系列】一文教你绘制不同类型的散点图（理论+源码）
数据杂坛
12-27 5890
一文教你绘制不同类型的散点图（理论+源码）
python绘制散点图
vergil_zsh的博客
03-03 1万+
python 绘制散点图
python绘制散点图，非常全，非常详细（已验证）
热门推荐
Vertira的博客
03-16 4万+
少废话，直接上代码 import matplotlib.pyplot as plt import numpy as np # 1. 首先是导入包，创建数据 n = 10 x = np.random.rand(n) * 2# 随机产生10个0~2之间的x坐标 y = np.random.rand(n) * 2# 随机产生10个0~2之间的y坐标 # 2.创建一张figure fig = plt.figure(1) # 3. 设置颜色 color 值【可选参数，即可填可不填】，方式有几种 # colors.
Python 绘制数据散点图
华仔仔的博客
12-07 2万+
Python 有着强大的绘图库 matplotlib, 该库集成了大量的绘制函数，可以满足我们平时绝大多数的绘图要求。其中，matplotlib 库是 Python 进行可视化功能的主要软件包，matplot 本是 matlab 中的绘图库，matplotlib 其实就是在 Python 实现 matplot 的功能。 利用 Python 绘制散点图与在 matlab 中操作类似，以数据集 fourclass 为例(数据集的获取方式见文章https://blog.csdn.net/weixin_432525
python怎么用散点图_Python利用matplotlib绘制散点图的新手教程
weixin_42191359的博客
01-29 3137
前言上篇文章介绍了使用matplotlib绘制折线图，参考：https://www.jb51.net/article/198991.htm，本篇文章继续介绍使用matplotlib绘制散点图。一、matplotlib绘制散点图# coding=utf-8import matplotlib.pyplot as pltyears = [2009, 2010, 2011, 2012, 2013, 201...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值