sactter函数的参数解读 plt.scatter(x,y,s=20,c=None,marker=‘0’,cmap=None,cmap=None, norm=None, vmin=None, vmax=None, alpha=None,linewidths=None, edgecolors=None)
x:指定散点图的x轴数据 y:指定散点图的y轴数据 s：指定散点图的大小，默认为20，通过传入新的变量，实现气泡图的绘制； c: 指定散点图的颜色，默认为蓝色 marker:指定散点图的形状，默认为圆形 cmap:指定色图，只有当c参数是一个浮点型的数组的时候才起作用； norm：设置数据亮度，标准化到0-1之间，使用该参数仍需要c为浮点型数组； vmin,vmax：亮度设置，与norm类似，如果使用了norm则该参数无效 alpha: 设置散点的透明度 linewidths: 设置散点边界线的宽度 edgecolors: 设置散点边界限线的颜色一般散点图的绘制 案例: 汽车速度与距离的关系 import pandas as pd import matplotlib.pyplot as plt %matplotlib inline
#设置绘图风格 plt.style.use(‘ggplot’) #让中文和负号的正常显示 plt.rcParams[‘font.sans-serif’] = [‘SimHei’] plt.rcParams[‘axes.unicode_minus’]=False
#读入数据 f = open(r’E:\数据分析小灶\小灶商业数据分析LV1等多个文件等多个文件\小灶商业数据分析LV1等多个文件\小灶商业数据分析LV2\模块3 ：数据概述与数据可视化\16第7课：Matplotlib学习之数据可视化\16-03cars.csv’) cars = pd.read_csv(f)
#绘图 plt.scatter(cars.speed,#x轴数据为汽车速度 cars.dist,#y轴数据为刹车距离 s=30,#设置点的大小 c=‘steelblue’,#设置点的颜色 marker=‘s’,#设置点的形状 alpha=0.9,#设置点的透明度 linewidths=0.3,#设置散点边界的粗细 edgecolors=‘red’#设置散点边界的颜色 )
#添加轴标题和标签 plt.title(‘汽车速度与刹车距离的关系’) plt.xlabel(‘汽车速度’) plt.ylabel(‘刹车距离’)
#去除图形边框的顶部刻度和右边刻度 plt.tick_params(top=‘on’,right=‘off’)
#显示图形 plt.show()
结论：汽车速度与刹车距离是正相关
2.分组散点图的绘制 f=open(r’E:\数据分析小灶\小灶商业数据分析LV1等多个文件等多个文件\小灶商业数据分析LV1等多个文件\小灶商业数据分析LV2\模块3 ：数据概述与数据可视化\16第7课：Matplotlib学习之数据可视化\16-04iris.csv’) iris= pd.read_csv(f)
#自定义颜色 colors=[‘steelblue’,’#9999ff’,’#ff9999’]
#三种不同颜色的花 Species=iris.Species.unique()
#通过循环的方式 for i in range(len(Species)): plt.scatter(iris.loc[iris.Species == Species[i],‘Petal.Length’], iris.loc[iris.Species == Species[i],‘Petal.Width’], s=35,c=colors[i],label=Species[i])
#添加轴标题和标签 plt.title(‘花瓣长度与宽度的关系’) plt.xlabel(‘花瓣长度’) plt.ylabel(‘花瓣宽度’)
#去除图形边框的顶部刻度和右边刻度 plt.tick_params(top=‘on’,right=‘off’)
#添加图例 plt.legend(loc=‘upper left’)
#显示图形 plt.show() 总结：三种花的花瓣长度与宽度存在正相关，只不过setasa的体型比较小，数据点比较聚集。
补充：不区分大小写
