一、说明

二、函数和参数详解

2.1 scatter函数原型

2.2 参数详解

2.3 其中散点的形状参数marker如下：

2.4 其中颜色参数c如下:

三、画图示例

3.1 关于坐标x，y和s，c

3.2 多元高斯的情况

3.3 绘制例子

3.4 绘图例3

3.5 同心绘制

3.6 有标签绘制

3.7 直线划分

3.8 曲线划分

一、说明

关于matplotlib的scatter函数有许多活动参数，如果不专门注解，是无法掌握精髓的，本文专门针对scatter的参数和调用说起，并配有若干案例。

二、函数和参数详解

2.1 scatter函数原型

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

2.2 参数详解

属性	参数	意义
坐标	x，y	输入点列的数组，长度都是size
点大小	s	点的直径数组，默认直径20，长度最大size
点颜色	c	点的颜色，默认蓝色 'b'，也可以是个 RGB 或 RGBA 二维行数组。
点形状	marker	点的样式，默认小圆圈 'o'。
调色板	cmap	Colormap，默认 None，标量或者是一个 colormap 的名字，只有 c 是一个浮点数数组时才使用。如果没有申明就是 image.cmap。
亮度（1）	norm	Normalize，默认 None，数据亮度在 0-1 之间，只有 c 是一个浮点数的数组的时才使用。
亮度（2）	vmin，vmax	亮度设置，在 norm 参数存在时会忽略。
透明度	alpha	透明度设置，0-1 之间，默认 None，即不透明
线	linewidths	标记点的长度
颜色	edgecolors	颜色或颜色序列，默认为 'face'，可选值有 'face', 'none', None。
	plotnonfinite	布尔值，设置是否使用非限定的 c ( inf, -inf 或 nan) 绘制点。
	**kwargs	其他参数。

2.3 其中散点的形状参数marker如下：

2.4 其中颜色参数c如下:

三、画图示例

3.1 关于坐标x，y和s，c

import numpy as np
import matplotlib.pyplot as plt# Fixing random state for reproducibility
np.random.seed(19680801)N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)          # 颜色可以随机
area = (30 * np.random.rand(N))**2  # 点的宽度30，半径15plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()

注意：以上核心语句是：

plt.scatter(x, y, s=area, c=colors, alpha=0.5, marker=",")

其中：x，y，s，c维度一样就能成。

3.2 多元高斯的情况


import numpy as np
import matplotlib.pyplot as pltfig=plt.figure(figsize=(8,6))
#Generating a Gaussion dataset:
#creating random vectors from the multivariate normal distribution
#given mean and covariance
mu_vec1=np.array([0,0])
cov_mat1=np.array([[1,0],[0,1]])
X=np.random.multivariate_normal(mu_vec1,cov_mat1,500)
R=X**2
R_sum=R.sum(axis=1)
plt.scatter(X[:,0],X[:,1],color='green',marker='o', =32.*R_sum,edgecolor='black',alpha=0.5)plt.show()

3.3 绘制例子

from matplotlib import pyplot as plt
import numpy as np
# Generating a Gaussion dTset:
#Creating random vectors from the multivaritate normal distribution
#givem mean and covariancemu_vecl = np.array([0, 0])
cov_matl = np.array([[2,0],[0,2]])x1_samples = np.random.multivariate_normal(mu_vecl, cov_matl,100)
x2_samples = np.random.multivariate_normal(mu_vecl+0.2, cov_matl +0.2, 100)
x3_samples = np.random.multivariate_normal(mu_vecl+0.4, cov_matl +0.4, 100)plt.figure(figsize = (8, 6))plt.scatter(x1_samples[:,0], x1_samples[:, 1], marker='x',color = 'blue', alpha=0.7, label = 'x1 samples')
plt.scatter(x2_samples[:,0], x1_samples[:,1], marker='o',color ='green', alpha=0.7, label = 'x2 samples')
plt.scatter(x3_samples[:,0], x1_samples[:,1], marker='^',color ='red', alpha=0.7, label = 'x3 samples')
plt.title('Basic scatter plot')
plt.ylabel('variable X')
plt.xlabel('Variable Y')
plt.legend(loc = 'upper right')plt.show()import matplotlib.pyplot as pltfig,ax = plt.subplots()ax.plot([0],[0], marker="o",  markersize=10)ax.plot([0.07,0.93],[0,0],    linewidth=10)ax.scatter([1],[0],           s=100)ax.plot([0],[1], marker="o",  markersize=22)ax.plot([0.14,0.86],[1,1],    linewidth=22)ax.scatter([1],[1],           s=22**2)plt.show()![image.png](http://upload-images.jianshu.io/upload_images/8730384-8d27a5015b37ee97.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)import matplotlib.pyplot as pltfor dpi in [72,100,144]:fig,ax = plt.subplots(figsize=(1.5,2), dpi=dpi)ax.set_title("fig.dpi={}".format(dpi))ax.set_ylim(-3,3)ax.set_xlim(-2,2)ax.scatter([0],[1], s=10**2, marker="s", linewidth=0, label="100 points^2")ax.scatter([1],[1], s=(10*72./fig.dpi)**2, marker="s", linewidth=0, label="100 pixels^2")ax.legend(loc=8,framealpha=1, fontsize=8)fig.savefig("fig{}.png".format(dpi), bbox_inches="tight")plt.show()

3.4 绘图例3

import matplotlib.pyplot as pltfor dpi in [72,100,144]:fig,ax = plt.subplots(figsize=(1.5,2), dpi=dpi)ax.set_title("fig.dpi={}".format(dpi))ax.set_ylim(-3,3)ax.set_xlim(-2,2)ax.scatter([0],[1], s=10**2, marker="s", linewidth=0, label="100 points^2")ax.scatter([1],[1], s=(10*72./fig.dpi)**2, marker="s", linewidth=0, label="100 pixels^2")ax.legend(loc=8,framealpha=1, fontsize=8)fig.savefig("fig{}.png".format(dpi), bbox_inches="tight")plt.show()

3.5 同心绘制

plt.scatter(2, 1, s=4000, c='r')
plt.scatter(2, 1, s=1000 ,c='b')
plt.scatter(2, 1, s=10, c='g')

3.6 有标签绘制

import matplotlib.pyplot as pltx_coords = [0.13, 0.22, 0.39, 0.59, 0.68, 0.74,0.93]
y_coords = [0.75, 0.34, 0.44, 0.52, 0.80, 0.25,0.55]fig = plt.figure(figsize = (8,5))plt.scatter(x_coords, y_coords, marker = 's', s = 50)
for x, y in zip(x_coords, y_coords):plt.annotate('(%s,%s)'%(x,y), xy=(x,y),xytext = (0, -10), textcoords = 'offset points',ha = 'center', va = 'top')
plt.xlim([0,1])
plt.ylim([0,1])
plt.show()

3.7 直线划分

# 2-category classfication with random 2D-sample data
# from a multivariate normal distributionimport numpy as np
from matplotlib import pyplot as pltdef decision_boundary(x_1):"""Calculates the x_2 value for plotting the decision boundary."""
#    return 4 - np.sqrt(-x_1**2 + 4*x_1 + 6 + np.log(16))return -x_1 + 1# Generating a gaussion dataset:
# creating random vectors from the multivariate normal distribution
# given mean and covariancemu_vec1 = np.array([0,0])
cov_mat1 = np.array([[2,0],[0,2]])
x1_samples = np.random.multivariate_normal(mu_vec1, cov_mat1,100)
mu_vec1 = mu_vec1.reshape(1,2).T # TO 1-COL VECTORmu_vec2 = np.array([1,2])
cov_mat2 = np.array([[1,0],[0,1]])
x2_samples = np.random.multivariate_normal(mu_vec2, cov_mat2, 100)
mu_vec2 = mu_vec2.reshape(1,2).T # to 2-col vector# Main scatter plot and plot annotationf, ax = plt.subplots(figsize = (7, 7))
ax.scatter(x1_samples[:, 0], x1_samples[:,1], marker = 'o',color = 'green', s=40)
ax.scatter(x2_samples[:, 0], x2_samples[:,1], marker = '^',color = 'blue', s =40)
plt.legend(['Class1 (w1)', 'Class2 (w2)'], loc = 'upper right')
plt.title('Densities of 2 classes with 25 bivariate random patterns each')
plt.ylabel('x2')
plt.xlabel('x1')
ftext = 'p(x|w1) -N(mu1=(0,0)^t, cov1 = I)\np.(x|w2) -N(mu2 = (1, 1)^t), cov2 =I'
plt.figtext(.15,.8, ftext, fontsize = 11, ha ='left')#Adding decision boundary to plotx_1 = np.arange(-5, 5, 0.1)
bound = decision_boundary(x_1)
plt.plot(x_1, bound, 'r--', lw = 3)x_vec = np.linspace(*ax.get_xlim())
x_1 = np.arange(0, 100, 0.05)plt.show()

3.8 曲线划分

# 2-category classfication with random 2D-sample data
# from a multivariate normal distributionimport numpy as np
from matplotlib import pyplot as pltdef decision_boundary(x_1):"""Calculates the x_2 value for plotting the decision boundary."""return 4 - np.sqrt(-x_1**2 + 4*x_1 + 6 + np.log(16))# Generating a gaussion dataset:
# creating random vectors from the multivariate normal distribution
# given mean and covariancemu_vec1 = np.array([0,0])
cov_mat1 = np.array([[2,0],[0,2]])
x1_samples = np.random.multivariate_normal(mu_vec1, cov_mat1,100)
mu_vec1 = mu_vec1.reshape(1,2).T # TO 1-COL VECTORmu_vec2 = np.array([1,2])
cov_mat2 = np.array([[1,0],[0,1]])
x2_samples = np.random.multivariate_normal(mu_vec2, cov_mat2, 100)
mu_vec2 = mu_vec2.reshape(1,2).T # to 2-col vector# Main scatter plot and plot annotationf, ax = plt.subplots(figsize = (7, 7))
ax.scatter(x1_samples[:, 0], x1_samples[:,1], marker = 'o',color = 'green', s=40)
ax.scatter(x2_samples[:, 0], x2_samples[:,1], marker = '^',color = 'blue', s =40)
plt.legend(['Class1 (w1)', 'Class2 (w2)'], loc = 'upper right')
plt.title('Densities of 2 classes with 25 bivariate random patterns each')
plt.ylabel('x2')
plt.xlabel('x1')
ftext = 'p(x|w1) -N(mu1=(0,0)^t, cov1 = I)\np.(x|w2) -N(mu2 = (1, 1)^t), cov2 =I'
plt.figtext(.15,.8, ftext, fontsize = 11, ha ='left')#Adding decision boundary to plotx_1 = np.arange(-5, 5, 0.1)
bound = decision_boundary(x_1)
plt.plot(x_1, bound, 'r--', lw = 3)x_vec = np.linspace(*ax.get_xlim())
x_1 = np.arange(0, 100, 0.05)plt.show()

【Python知识】可视化函数plt.scatter相关推荐

python色卡_python matplotlib:plt.scatter() 大小和颜色参数详解
语法 plt.scatter(x, y, s=20, c='b') 大小s默认为20,s=0时点不显示:颜色c默认为蓝色. 为每一个点指定大小和颜色有时我们需要为每一个点指定大小和方向,以区分不同的 ...
python画散点图＜plt.scatter() 和sns.scatterplot()＞
plt.scatter()画散点图 (matplotlib.pyplot.scatter) ------------------------------------------------------ ...
python知识：函数abs、delattr、hash、memeryview、index
何为python内置函数? 如果说python的基本数据格式是个list,内置函数就是对list内部的原子进行操作的函数. 1)内置函数abs(__x) 假如存在一个list:DataList = [ ...
菊安酱与菜菜的Python机器学习可视化（week1 correlation - 01散点图 02气泡图）
文章目录第一期关联图:01 散点图 & 02 气泡图博文非常优秀,但是同时..... **菊安酱和菜菜不希望看到这篇优秀文章被浪费掉!** 在接下来的8周之内,我们将会带领你一起遍历50 ...
python中plot函数的属性_Python matplotlib 学习-绘图函数
1 所使用函数说明 (1) plot函数 plt.plot(x,y,ls='--',lw =2,label='text') 参数说明 ● x:x轴上的数值. ● y:y轴上的数值. ● ls:折线图的 ...
用plt.scatter画散点图
创建散点图可以使用函数 plt.scatter.它的功能非常强大,其用法与 plt.plot 函数类似: import numpy as np rng = np.random.RandomState( ...
Python混淆矩阵可视化：plt.colorbar函数自定义颜色条的数值标签、配置不同情况下颜色条的数值范围以及数据类型（整型、浮点型）
Python混淆矩阵可视化:plt.colorbar函数自定义颜色条的数值标签.配置不同情况下颜色条的数值范围以及数据类型(整型.浮点型) 目录
Python中的plt.scatter函数如何自定义颜色空间（附详细代码）
首先我们看一下plt.scatter函数的参数: plt.scatter()函数用于生成一个scatter散点图. matplotlib.pyplot.scatter(x, y, s=20, c='b ...
python 画三维函数图-Python之Numpy：二元函数绘制/三维数据可视化/3D
意义在机器学习任务中选择计算模型或者学习数学时,可视化有助于研究函数值的变化趋势(观察收敛.分布.几何形状等),带来直观的感受. 源码 # 绘制二元函数 # 参考文献 # + python画二元函数 ...

【Python知识】可视化函数plt.scatter

一、说明

二、函数和参数详解

2.1 scatter函数原型

2.2 参数详解

2.3 其中散点的形状参数marker如下：

2.4 其中颜色参数c如下:

三、画图示例

3.1 关于坐标x，y和s，c

3.2 多元高斯的情况

3.3 绘制例子

3.4 绘图例3

3.5 同心绘制

3.6 有标签绘制

3.7 直线划分

3.8 曲线划分

【Python知识】可视化函数plt.scatter相关推荐

最新文章

热门文章