开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> matplotlib之散点图 -> 正文阅读

[人工智能]matplotlib之散点图

在这里插入图片描述

散点图

Scatter chart(PointGraph, X-Y Plot, Scatter Chart或者 Scattergram）是绘图中最常见的图形类型之一，通常用于显示和比较数值。散点图是使用一系列的散点在直角坐标系中展示变量的数值分布。在二维散点图中，可以通过观察两个变量的数据分析，发现两者的关系与相关性。

散点图可以提供三类关键信息

变量之间是否存在数量关联趋势（正相关，负相关，不相关等）；
如果存在关联趋势，是线性还是非线性的；
观察是否有存在离群值，从而分析这些离群值对建模分析的影

scatter函数

1、函数定义：

在向量 x 和 y 指定的位置创建一个包含圆形的散点图，该类型的图形也称为气泡图。

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=<deprecated parameter>, edgecolors=None, \*, plotnonfinite=False, data=None, \*\*kwargs)

常用参数：

x,y:

x轴和 y 轴对应的数据。根据x和y的值，在二维平面对应位置创建一个包含圆形的散点图

s：

散点标记面积，以平方磅为单位的标记面积。可以为标量或者等长的数组。

c：

散点标记的颜色，为指定的色彩、数值序列或者颜色序列。

marker：

散点标记类型，默认为圆圈。

cmap：

仅当c参数为颜色序列的时候使用。

aplha：

透明图设置，在显示多个变量的场景下为了能够显示堆叠的散点，可以设置该参数。取值范围[0，1]。0:透明，1:不透明。

norm：

仅当c为数值序列的时候，通过colors.Normalize将值进行正则化。

linewidths：

散点标记的边界的宽度。

edgecolors：

散点标记的边界的颜色。

2、scatter的详细定义：

https://matplotlib.org/api/_as_gen/matplotlib.pyplot.scatter.html?highlight=scatter#matplotlib.pyplot.scatter

示例说明：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

n = 1024
X = np.random.normal(0,1,n)
Y = np.random.normal(0,1,n)

#根据x,y生成一个数列，将对应的数据点映射到coclarmap中的颜色上
C = np.arctan(X/Y)
'''
s：大小固定设置为64
c:通过arctan函数随机生成一个数列，映射到coloarmap的颜色上
makrer：散点标记类型设置为‘o’对应圆圈
aplpha：透明度设置为0.5，重合部分可以正常显示
linewidths：为散点标记的边界宽度
edgecolors：散点边界的点色，“w”为白色
'''
plt.scatter(X,Y, s=64, c=C, marker='o',alpha=.5,linewidths=2,edgecolors='w')

plt.xlim(-1.5,1.5)
plt.ylim(-1.5,1.5)
# savefig('../figures/scatter_ex.png',dpi=48)
plt.show()

运行结果
在这里插入图片描述
不同关联趋势的示例

1）正相关

import matplotlib.pyplot  as plt
import numpy as np

N =500

#randn函数返回N组样本，具有标准正态分布
x = np.random.randn(N)
# y = x + k
y = x + np.random.randn(N)*0.2
'''
s：大小固定设置为64
c:通过arctan函数随机生成一个数列，映射到coloarmap的颜色上
makrer：散点标记类型设置为‘o’对应圆圈
aplpha：透明度设置为0.5，重合部分可以正常显示
linewidths：为散点标记的边界宽度
edgecolors：散点边界的点色，“w”为白色
'''
C = np.arctan(x/y)
plt.scatter(x,y,s=64,c=C ,marker='o',alpha=.5,linewidths=2,edgecolors='w')
plt.show()

运行结果：
在这里插入图片描述

2）负相关

import matplotlib.pyplot  as plt
import numpy as np

N =500

#randn函数返回N组样本，具有标准正态分布
x = np.random.randn(N)
# y = -x + k
y = -x + np.random.randn(N)*0.2

plt.scatter(x,y,marker='o',alpha=.5,linewidths=2,edgecolors='w')
plt.show()

运行结果：
在这里插入图片描述

3）不相关

import matplotlib.pyplot  as plt
import numpy as np

N =500

#randn函数返回N组样本，具有标准正态分布
x = np.random.randn(N)

y = np.random.randn(N)

plt.scatter(x,y,marker='o',alpha=.5,linewidths=2,edgecolors='w')
plt.show()

扩展应用：

1、添加图列

通过legend_elements()函数根据size和color给散点图增加图例。


import numpy as np
import matplotlib.pyplot as plt
#其中(10, 10)用于控制图片的大小
plt.figure(figsize=(10,10))
N=50
x, y = np.random.rand(2, N)
c = np.random.randint(1, 4, size=N)
s = np.random.randint(10, 100, size=N)

fig, ax = plt.subplots()
scatter = ax.scatter(x, y, c=c, s=s)

# 按照散点图中标记的colors生成legend
legendClass = ax.legend(*scatter.legend_elements(prop="colors"),
                    loc="lower left", title="classes")
ax.add_artist(legendClass)

# 按照散点图中标记的size生成legend
handles, labels = scatter.legend_elements(prop="sizes", alpha=0.6,num=5)
legendSize = ax.legend(handles, labels, loc="upper right", title="Sizes")
ax.add_artist(legendSize)

plt.show()

运行结果：
在这里插入图片描述

2、标记点符号

marker 可以使用的符号如下
在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

import matplotlib.pyplot  as plt
import numpy as np

N =500

#randn函数返回N组样本，具有标准正态分布
x = np.random.randn(N)

y = np.random.randn(N)
#使用菱形标记点
plt.scatter(x,y,marker='D',alpha=.8,linewidths=2,edgecolors='w')
plt.show()

运行结果：
在这里插入图片描述

3、三维散点图

三维散点图就是在由3个变量确定的三维空间中研究变量之间的关系，由于同时考虑了3个变量，常常可以发现在两维图形中发现不了的信息。

import numpy as np
import matplotlib.pyplot as plt

#其中(20, 50)用于控制图片的大小
fig = plt.figure(figsize=(20,50))
#projection = '3d' 指定为三维坐标
ax = fig.add_subplot(111, projection='3d')

x = np.arange(0, 200)
y = np.arange(0, 100)
#np.meshgrid生成网格点坐标矩阵
x, y = np.meshgrid(x, y)
z = np.random.randint(0, 200, size=(100, 200))
c = np.arctan2(x,y)
ax.scatter(x, y, z, c=c, marker='.', s=50, label='')

在这里插入图片描述

4、添加边界

对于不同别的参数，可以通过增加边界，可以衡量数据的离散，分布等特征。
利用scipy中的ConvexHull（凸包）函数，将给定的数据按照边界形成多边形，将所有数据包含在里面。凸包是给定平面上一个点集，凸包就是将最外围的点连接起来构成的凸多边形，它能包含点集中所有的点。(需要安装scipy包)

import numpy as np
np.random.seed(19680801)
import matplotlib.pyplot as plt
from scipy.spatial import ConvexHull

fig, ax = plt.subplots()
n = 300
X = np.random.normal(1,1,n)
Y1 = np.random.normal(1,1,n)
X2 = np.random.normal(2.5,1,n)
Y2 = np.random.normal(2.5,2,n)

ax.scatter(X,Y1,c="tab:blue",alpha=0.5,label="blue")
ax.scatter(X2,Y2,c='tab:orange',alpha=0.5,label="orange")
ax.grid(True)

#利用ConvexHull函数获得凸包的多边形点，然后利用Polygon来绘制对应的边界
def encircle(x,y, ax=None, **kw):
    if not ax: ax=plt.gca()
    p = np.c_[x,y]
    hull = ConvexHull(p)
    poly = plt.Polygon(p[hull.vertices,:], **kw)
    ax.add_patch(poly)
#填充色
encircle(X, Y1, ec="g", fc="gold", alpha=0.1)
#边界线
encircle(X, Y1, ec="firebrick", fc="none", linewidth=1.5)
plt.show()

运行结果：
在这里插入图片描述

5、散点直方图

这种图在传统的相关性散点图的基础上还多了一个直方图，来展示该变量在不同维度的分布情况

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

#支持中文
matplotlib.rcParams['font.family'] = ['Heiti TC']
# 生成正相关随机散点
x = np.random.randn(200)
y = x + np.random.randn(200) * 0.5

# 设置各图坐标位置
margin_boder = 0.1
width = 0.6
height = 0.2
margin_between = 0.02

#散点图的坐标位置
left_s = margin_boder
bottom_s = margin_boder
width_s = width
heigh_s = width

#x轴方向直方图的坐标位置
left_x = margin_boder
bottom_x = margin_boder + width + margin_between
heigh_x = height
width_x = width

#y轴方向直方图的坐标位置
left_y = margin_boder + width + margin_between
bottom_y = margin_boder
heigh_y = width
width_y = height

# 生成画布
fig = plt.figure(1, figsize=(10, 10))

# 生成坐标系位置参数
# rect 是位置参数，接受一个由 4 个元素组成的浮点数列表，形如 [left, bottom, width, height] ，它表示添加到画布中的矩形区域的左下角坐标(x, y)，以及宽度和高度。
rect_s = [left_s, bottom_s, width_s, heigh_s]
rect_x = [left_x, bottom_x, width_x, heigh_x]
rect_y = [left_y, bottom_y, width_y, heigh_y]
#每个元素的值是画布宽度和高度的分数。即将画布的宽、高作为 1 个单位。比如，[ 0.1, 0.1, 0.8, 0.8]，它代表着从画布 10% 的位置开始绘制, 宽高是画布的 80%。


# 生成坐标系
axScatter = plt.axes(rect_s)
axHisX = plt.axes(rect_x)
axHisY = plt.axes(rect_y)

#X轴方向的直方图共用散点图X轴坐标，去除X轴直方图的X轴的坐标刻度
axHisX.set_xticks([])
## 由于y轴方向的直方图共用散点图X轴坐标，去除y轴直方图的y轴的坐标刻度
axHisY.set_yticks([])

# 设置直方图条形宽度
bin_width = 0.25
xymax = np.max([np.max(np.fabs(x)), np.max(np.fabs(y))])
lim = int(xymax / bin_width + 1) * bin_width

# 设置统一坐标系范围
axScatter.set_xlim(-lim, lim)
axScatter.set_ylim(-lim, lim)

# 绘制散点图
axScatter.scatter(x, y, alpha=.5,linewidths=2,edgecolors='w')

# 绘制直方图
# 关于直方图的绘制在后面详细说明
bins = np.arange(-lim, lim + bin_width, bin_width)
axHisX.hist(x, bins=bins, width=[bin_width * 0.9],color = 'steelblue', edgecolor = 'k')
axHisY.hist(y, bins=bins, orientation='horizontal',height=[bin_width * 0.9],color = 'steelblue', edgecolor = 'k')

axHisX.set_xlim(axScatter.get_xlim())
axHisY.set_ylim(axScatter.get_ylim())

# 设置全局title
fig.suptitle("散点直方图",fontsize=20)

plt.show()