matplotlib绘制散点图之基本配置——万能模板案例

目录

​​散点图​​

​​ 散点图一行代码显示​​

​​ 加颜色的散点图​​

​​颜色深浅表示数值大小​​

​​散点图显示颜色和大小​​

​​自定义图表散点图​​

​​散点图万能模板​​

​​其他模板​​

​​每文一语​​

散点图

散点图是指在​​回归分析​​​中，数据点在直角坐标系平面上的​​分布图​​​，散点图表示因变量随​​自变量​​​而​​变化​​​的大致趋势，据此可以选择合适的函数​​对数​​​据点进行​​拟合​​。

用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在​​图表​​中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。

下面给出一个散点图的具体代码案例

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

plt.figure(figsize=(9,5),   # (宽度 , 高度) 单位inch 
           dpi=120,         #  清晰度 dot-per-inch
#            facecolor='#CCCCCC', # 画布底色
#            edgecolor='black',linewidth=0.2,frameon=True, # 画布边框
           #frameon=False  # 不要画布边框
          )   
# 设置全局中文字体
plt.rcParams['font.sans-serif'] = 'KaiTi' # 设置全局字体为中文 楷体
plt.rcParams['axes.unicode_minus'] = False # 不使用中文减号

#读取数据
crime=pd.read_csv("crimeRatesByState2005.csv")
print (list(crime.murder))#转化成列表
#删除state为United States的数据
crime2 = crime[crime.state != "United States"]
#删除state为District of Columbia的数据
crime2 = crime2[crime2.state != "District of Columbia" ]
z = list(crime2.population/10000)#取人口数据
#colors = np.random.rand(len(list(crime2.murder)))#根据谋杀率随机去颜色
cm = plt.cm.get_cmap('RdYlBu')#使用色谱RdYlBu
plt.scatter(list(crime2.murder), list(crime2.burglary), s=z,c=z,cmap = cm, linewidth = 0.5, alpha     = 0.5)#绘制散点图
plt.xlabel("murder")
plt.ylabel("burglary")
plt.show()      

 散点图一行代码显示

# 读取数据
df = pd.read_csv('iris.csv')

# 平面坐标系的位置只能表示2维数据
x = df['sepal_length']
y = df['sepal_width']

# 根据X，Y值画散点图
plt.scatter(x,y)      

 加颜色的散点图

# 读取数据
df = pd.read_csv('iris.csv')

# 平面坐标系的位置只能表示2维数据
x = df['sepal_length']
y = df['sepal_width']
c = df['species'].map({'setosa':'r','versicolor':'g','virginica':'b'})

# 根据X，Y值画散点图, 用不同的颜色标识不同的分类
plt.scatter(x,y, c=c)      

颜色深浅表示数值大小

# 读取数据
df = pd.read_csv('iris.csv')

# 平面坐标系的位置只能表示2维数据
x = df['sepal_length']
y = df['sepal_width']
c = df['petal_length']

# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度
plt.scatter(x,y, c=c, cmap=plt.cm.RdYlBu)      

散点图显示颜色和大小

# 读取数据
df = pd.read_csv('iris.csv')

# 平面坐标系的位置只能表示2维数据
x = df['sepal_length']  # x 轴坐标
y = df['sepal_width']   # y 轴坐标
c = df['petal_length']  # 颜色color
s = df['petal_width']   # 大小size


# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50)  # 可以是标量，那么所有的点都一样
plt.scatter(x,y, c=c, s=s*30)      

自定义图表散点图

# 读取数据
df = pd.read_csv('iris.csv')

def get_xycs(df):
    # 平面坐标系的位置只能表示2维数据
    x = df['sepal_length']  # x 轴坐标
    y = df['sepal_width']   # y 轴坐标
    c = df['petal_length']  # 颜色color
    s = df['petal_width']   # 大小size
    return x,y,c,s

markers = {'setosa':'o', 'versicolor':'D', 'virginica':'*'}

# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度, 每组数据只能是一种点样式
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50)  # 可以是标量，那么所有的点都一样
for sp in df['species'].unique():
    x,y,c,s = get_xycs(df[df['species']==sp])
    plt.scatter(x,y, c=c, s=s*30, cmap=plt.cm.seismic, marker=markers[sp],label=sp)
    
plt.legend()      

散点图万能模板

# 读取数据
df = pd.read_csv('iris.csv')

def get_xycs(df):
    # 平面坐标系的位置只能表示2维数据
    x = df['sepal_length']  # x 轴坐标
    y = df['sepal_width']   # y 轴坐标
    c = df['petal_length']  # 颜色color
    s = df['petal_width']   # 大小size
    return x,y,c,s

markers = {'setosa':'o', 'versicolor':'D', 'virginica':'*'}

# 根据X，Y值画散点图, 用颜色的深浅表示花萼的长度，用大小表示花萼的宽度, 每组数据只能是一种点样式
plt.figure(figsize=(5,5),dpi=100)
#plt.scatter(x,y, c=c, s=50)  # 可以是标量，那么所有的点都一样
for sp in df['species'].unique():
    x,y,c,s = get_xycs(df[df['species']==sp])
    plt.scatter(x,y, s=s*30, cmap=plt.cm.seismic, marker=markers[sp],label=sp)
    
plt.legend()      

其他模板

### 在二维坐标系上，位置表示(x,y)二维数据
x = df.sepal_length  # x 表示花瓣长
y = df.sepal_width   # y 表示花瓣宽
s = (df.petal_length * df.petal_width)*np.pi   # s(size) 表示花萼面积
c = (df.petal_length * df.petal_width)*np.pi  

plt.scatter(x,y,s=s*5, c=c,cmap=plt.cm.RdYlBu_r)
plt.xlabel('sepal_length')
plt.ylabel('sepal_width')      

# 在二维坐标系上，位置表示(x,y)二维数据
x = df.sepal_length  # x 表示花瓣长
y = df.sepal_width   # y 表示花瓣宽
s = (df.petal_length * df.petal_width)*np.pi   # s(size) 表示花萼面积
#print(df.species)
#colormap = {"setosa":"#FF0000", "versicolor":"green", "virginica":"b"}  # 定义一个字典将species字符串映射到颜色字符串上
colormap = {"setosa":1, "versicolor":5, "virginica":6}  # 定义一个字典将species字符串映射到颜色字符串上
c = df.species.map(colormap)
#print(c)
plt.scatter(x,y,s=s*5, c=c,cmap=plt.cm.coolwarm, alpha=0.7, edgecolors='face')
plt.xlabel('sepal_length')
plt.ylabel('sepal_width')      

plt.scatter(df['burglary'], df['larceny_theft'],
            s=df['population']*2e-5, 
            c=df['motor_vehicle_theft'], cmap=plt.cm.coolwarm, 
            edgecolors='b', 
            alpha=0.75)

for idx,statename in df['state'].items():
    plt.text(x=df['burglary'][idx],y=df['larceny_theft'][idx]-df['population'][idx]*2e-5*0.5,s=statename,fontsize=6,ha='center',va='top')      

df.plot.scatter(x='burglary',y='larceny_theft',c='motor_vehicle_theft',cmap=plt.cm.coolwarm,s=df['population']*2e-5)
for i in df.index:
    if i in top5_motor_theft_index:  # 偷车贼最多的5个州
        plt.text(df.loc[i,'burglary']+10, df.loc[i,'larceny_theft']-10, df.loc[i,'state'], color='red')  # 一个文本框      

每文一语