|
|
# 4.1.3：线形图
|
|
|
|
|
|
## plot绘制散点图
|
|
|
散点图也是在数据科学中常用图之一，前面我们学习了使用`plt.plot/ax.plot`画线形图的方法。同样的，现在用这些函数来画散点图：
|
|
|
```python
|
|
|
x = np.linspace(0, 10, 30)
|
|
|
y = np.sin(x)
|
|
|
plt.plot(x, y, 'o', color='black')
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
函数的第三个参数是一个字符，表示图形符号的类型。与我们之前用`-`和`--`设置线条属性类似，对应的图形标记也有缩写形式。
|
|
|
|
|
|
```python
|
|
|
rng = np.random.RandomState(0)
|
|
|
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
|
|
|
plt.plot(rng.rand(5), rng.rand(5), marker,label="marker='{0}'".format(marker))
|
|
|
plt.legend(numpoints=1)
|
|
|
plt.xlim(0, 1.8);
|
|
|
plt.savefig("T1.png")
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
常用标记如下：
|
|
|
|
|
|
| 取值 | 含义 |
|
|
|
| :------------: | :------------: |
|
|
|
| ‘.’ |point marker |
|
|
|
| ‘,’ |pixel marker |
|
|
|
|‘o’|circle marker|
|
|
|
|‘v’|triangle_down marker|
|
|
|
|‘^’|triangle_up marker|
|
|
|
|‘<’|triangle_left marker|
|
|
|
|‘>’|triangle_right marker|
|
|
|
|‘1’|tri_down marker|
|
|
|
|‘2’|tri_up marker|
|
|
|
|‘3’|tri_left marker|
|
|
|
|‘4’|tri_right marker|
|
|
|
|‘s’|square marker|
|
|
|
|‘p’|pentagon marker|
|
|
|
|‘*’|star marker|
|
|
|
|‘h’|hexagon1 marker|
|
|
|
|‘H’|hexagon2 marker|
|
|
|
|‘+’|plus marker|
|
|
|
|‘x’|x marker|
|
|
|
|‘D’|diamond marker|
|
|
|
|‘d’|thin_diamond marker|
|
|
|
|‘|’|vline marker|
|
|
|
|‘_’|hline marker|
|
|
|
|
|
|
`plt.plot`函数非常灵活，可以满足各种不同的可视化配置需求。关于具体配置的完整描述，由于篇幅有限，请参考`plt.plot`文档，这里就不多介绍了，大家多多尝试就好。
|
|
|
|
|
|
|
|
|
## scatter画散点图
|
|
|
另一个可以创建散点图的函数是`plt.scatter`。它的功能非常强大，其用法与`plt.plot`函数类似：
|
|
|
|
|
|
```python
|
|
|
x = np.linspace(0, 10, 30)
|
|
|
y = np.sin(x)
|
|
|
plt.scatter(x, y, marker='o');
|
|
|
```
|
|
|
结果和前面`plt.plot`画的一样。`plt.scatter`和`plt.plot`的主要差别在于，前者在创建散点图时具有更高的灵活性，可以单独控制每个散点与数据匹配，也可以让每个散点具有不同的属性(大小、颜色等)。接下来画一个随机散点图，里面有各种颜色和大小的散点。为了能更好的显示重叠部分，用`alpha`参数来调整透明度：
|
|
|
```python
|
|
|
rng = np.random.RandomState(0)
|
|
|
x = rng.randn(100)
|
|
|
y = rng.randn(100)
|
|
|
colors = rng.rand(100)
|
|
|
sizes = 1000 * rng.rand(100)
|
|
|
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,
|
|
|
cmap='viridis')
|
|
|
plt.colorbar() # 显示颜色条
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
这里散点的大小以像素为单位。颜色为浮点数，自动映射成颜色条(`color scale`，通过`colorbar`()显示)。当取值为浮点数时，它所对应的颜色则是对应的`colormap`上对应长度的取值。`colormap`就像以下这样的条带：
|
|
|
|
|
|
|
|
|
|
|
|
这样，散点的颜色与大小就可以在可视化图中显示多维数据的信息了。例如，可以使用`sklearn`程序库中的鸢尾花数据来演示。它里面有三种花，每个样本是一种花，其花瓣与花萼的长度与宽度都经过了测量：
|
|
|
```python
|
|
|
from sklearn.datasets import load_iris
|
|
|
iris = load_iris()
|
|
|
features = iris.data.T#加载数据
|
|
|
plt.scatter(features[0], features[1], alpha=0.2,
|
|
|
s=100*features[3], c=iris.target, cmap='viridis')
|
|
|
plt.xlabel(iris.feature_names[0])
|
|
|
plt.ylabel(iris.feature_names[1]);
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
散点图可以让我们同时看到不同维度的数据：每个点的坐标值(`x`,` y`) 分别表示花萼的长度和宽度，而点的大小表示花瓣的宽度，三种颜色对应三种不同类型的鸢尾花。这类多颜色与多特征的散点图在探索与演示数据时非常有用。
|
|
|
|
|
|
## plot与scatter效率对比
|
|
|
|
|
|
`plot`与`scatter`除了特征上的差异之外，在数据量较大时，`plot`的效率将大大高于`scatter`。这时由于`scatter`会对每个散点进行单独的大小与颜色的渲染，因此渲染器会消耗更多的资源。而在`plot`中，散点基本都彼此复制，因此整个数据集中的所有点的颜色、大小只需要配置一次。所以面对大型数据集时，`plot`方法比`scatter`方法好。
|
|
|
|
