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 plt years = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]turnovers = [0.5, 9.36, 52, 191, 350, 571, 912, 1027, 1682, 2135, 2684]plt.figure(figsize=(10, 10), dpi=100)plt.scatter(years, turnovers)plt.show()

运行结果：

scatter(): matplotlib中绘制散点图的函数。可以传入很多参数，一般传入两个列表，分别是散点图中的x值和y值。上面的例子中使用2009年至2019年这十一年天猫双11的总成交额数据。

散点图根据提供的两组数据，构成图形中的多个坐标点。根据坐标点的分布，分析两个变量之间是否存在某种关联，或总结坐标点的分布趋势，用于预测数据的走势。

上面的代码已经实现了简单的散点图，但只把点绘制出来了，很多信息都不完整，所以需要进行优化。

二、matplotlib优化散点图

import matplotlib.pyplot as plt years = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]turnovers = [0.5, 9.36, 52, 191, 350, 571, 912, 1027, 1682, 2135, 2684]plt.figure(figsize=(10, 15), dpi=100)plt.scatter(years, turnovers, c='red', s=100, label='成交额')plt.xticks(range(2008, 2020, 1))plt.yticks(range(0, 3200, 200))plt.xlabel("年份", fontdict={'size': 16})plt.ylabel("成交额", fontdict={'size': 16})plt.title("历年天猫双11总成交额", fontdict={'size': 20})plt.legend(loc='best')plt.show()

运行结果：

在第一次绘制的散点图中，已经看出了点的大概分布情况，所以在使用figure()函数创建图像时，可以修改figsize参数调整图像尺寸，设置更好的图像比例。

在调用scatter()函数绘制散点图时，使用c='颜色'来设置点的颜色，使用s='大小'来设置点的大小，并设置label用于图例展示。

第一次的散点图中，x轴上没有显示所有的年份刻度，最后一个点已经分布到了图形的右上角，所以使用xticks()和yticks()来设置x轴和y轴的刻度标签和范围。

使用xlabel()和ylabel()设置x轴和y轴的标签，说明x轴和y轴的含义。使用title()设置散点图的标题，说明散点图展示的数据。使用legend()将图例展示出来。

这样一张基本功能完整，信息完整的散点图就完成了。

三、matplotlib散点图区分点的颜色和大小

import matplotlib.pyplot as pltimport numpy as np years = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]turnovers = [0.5, 9.36, 52, 191, 350, 571, 912, 1027, 1682, 2135, 2684]plt.figure(figsize=(10, 15), dpi=100)size = list()for tur in turnovers: size.append(tur) if tur > 100 else size.append(100)plt.xticks(range(2008, 2020, 1))plt.yticks(range(0, 3200, 200))plt.scatter(years, turnovers, c=np.random.randint(0, 50, 11), s=size)plt.xlabel("年份", fontdict={'size': 16})plt.ylabel("成交额", fontdict={'size': 16})plt.title("历年天猫双11总成交额", fontdict={'size': 20})plt.show()

运行结果：

上一张散点图中已经对数据作了基本的展示，为了使数据展示效果更好，可以对散点图进行美化。

数据是历年双11的总成交额，每年的数据是独立的，可以用不同的颜色来区分。这里使用numpy中的random.randint()随机生成11个值，将这11个随机的值传给scatter()函数中的c参数，使每一个点的颜色不一样，可以更好地表示每个点的独立性。

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

成交额是逐年变化的，为了从散点图中体现出大小的差异，可以根据成交额的大小设置点的大小。这里直接将成交额作为点的大小(成交额很小的设置一个值，图形中的点不小于这个值)，得到由11个值组成的列表，传给scatter()函数中的s参数，可以体现每个点的大小差异(成交额越大点越大)。

四、matplotlib散点图的趋势简单分析

import matplotlib.pyplot as pltimport numpy as npimport math years = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]turnovers = [0.5, 9.36, 52, 191, 350, 571, 912, 1027, 1682, 2135, 2684]squares = [math.pow(year-2008, 3.3) for year in years]powers = [math.pow(2, year-2008) for year in years]plt.figure(figsize=(10, 15), dpi=100)size = list()for tur in turnovers: size.append(tur) if tur > 100 else size.append(100)plt.xticks(range(2008, 2020, 1))plt.yticks(range(0, 3200, 200))plt.scatter(years, turnovers, c=np.random.randint(0, 50, 11), s=size, label='成交额')plt.plot(years, squares, color='red', label='x^3.4')plt.plot(years, powers, color='blue', label='2^n')plt.legend(loc='best', fontsize=16, markerscale=0.5)plt.xlabel("年份", fontdict={'size': 16})plt.ylabel("成交额", fontdict={'size': 16})plt.title("历年天猫双11总成交额", fontdict={'size': 20})plt.show()

运行结果：

散点图的作用主要是用于分析数据的趋势，用于预测未来的数据。比如我想预测2020年天猫双11的总成交额，通过对比的方式，简单分析一下这个趋势更接近指数函数还是更接近多次函数。

在散点图中，我绘制了两条曲线，y=2^x和y=x^(3.4)，一条是2为底的指数函数，一条是x的3.4次方(三次函数ax^3+bx^2+cx+d)，可以看到双11总成交额的变化趋势更接近三次函数。

这里我只是简单对比一下，三次函数还有二次项、一次项和常数项，所以x^(3.4)中的0.4可以通过二次项、一次项和常数项来补充，指数函数的变化趋势太快，与双11总成交额的变化趋势差异很大。这种简单对比是很粗糙的，只是为了说明散点图可以用于分析趋势。真实的分析不能简单看每年的数据，需要考虑很多因素(甚至因为某个因素的加入，成交额已经快到天花板了，很可能后面会下降)。

总结

到此这篇关于Python利用matplotlib绘制散点图的文章就介绍到这了,更多相关Python matplotlib绘制散点图内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！