前言
前面說到的主要是matplotlib對于圖像的基礎操作，然后從這篇開始，主要說一下點圖，分析點圖在實際問題的數據處理中應用非常廣泛，比如說邏輯回歸是利用現有的數據點通過擬合得到一定的函數關系，甚至生活中，物體運動的軌跡，也可以看做是連續的點繪制而成，還有圖像，也是很多個像素點堆砌而成的，在圖像處理中經常會針對單個像素點進行處理。
現在的深度學習或者機器學習，模型都是固定的，大多 不需要怎么改動，而能提升訓練效果的，最重要的就是能更好的處理數據，而很多數據本身就是點集，利用matplotlib將點繪制成可視化的圖像，也方便人工智能工程師的分析理解，畢竟可視化的效果，總比看著枯燥的數據想象要來的更好。
在python中畫散點圖主要是用matplotlib模塊中的scatter函數，先來看一下scatter函數的基本信息。
可以看到scatter中有很多參數，經常使用的參數主要有以下幾個：
散點圖
以下是一個散點圖的簡單演示，利用numpy的random函數生成隨機數，然后將這些點畫出來。如圖安裝圖中API設置窗口的參數，這里簡單說一下cmap='jet_r'這個，jet_r是一個顏色映射算法，就是系統會根據圖像中的信息自動配置顏色，這里也可以自己設置顏色，也可以用其他的顏色映射表示。
繪制散點圖相關API:
mp.scatter(
xarray, yarray, # 給出點的坐標
marker='', # 點型
s = 60, # 點的大小
edgecolor='', # 邊緣色
facecolor='', # 填充色
zorder=3, # 繪制圖層編號
c=d, # 設置過渡性顏色
cmap='jet' # 顏色映射
)
隨機生成符合 正態分布 的隨機數:
n = 500
# 隨機生成n個數
# 172: 數學期望
# 20: 標準差
x = np.random.normal(172, 20, n)
import numpy as np
import matplotlib.pyplot as mp
n = 500
# 隨機生成500個樣本身高
x = np.random.normal(172, 10, n)
# 隨機生成500個樣本體重
y = np.random.normal(65, 10, n)
mp.figure('Persons', facecolor='lightgray')
mp.title('Person Points', fontsize=16)
mp.xlabel('Height', fontsize=12)
mp.ylabel('Weight', fontsize=12)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
d = (x-172)**2 + (y-65)**2
mp.scatter(x, y, c=d, cmap='jet_r',
alpha=0.6, label='Person', s=50)
mp.legend()
mp.show()
總結
到此這篇關于Python matplotlib繪制散點圖的文章就介紹到這了,更多相關Python matplotlib繪制散點圖內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python基于pandas繪制散點圖矩陣代碼實例
- Python散點圖與折線圖繪制過程解析
- python matplotlib庫繪制散點圖例題解析
- python2.7使用plotly繪制本地散點圖和折線圖
- python使用Plotly繪圖工具繪制散點圖、線形圖
- python3使用matplotlib繪制散點圖
- python進行相關性分析并繪制散點圖詳解
