【Python】数据分析:matplotlib散点图

简介: 【Python】数据分析:matplotlib散点图

散点图和之前的折线图的唯一区别就是绘制时是scatter方法

语法知识

复习一下语法知识:

  • 设置字体:fm = font_manager.FontProperties(fname="字体包存放路径")
  • 设置x提示语plt.xlabel("x_label_name",fontproperties=fm)
  • 设置y提示语plt.ylabel("y_label_name",fontproperties=fm)
  • 设置标题plt.title("title_name",fontproperties=fm)
  • 设置横坐标plt.xticks(x_value_list,x_ticks_list,fontproperties=fm,ratation=n)
  • 设置纵坐标plt.yticks(y_value_list,y_ticks_list,fontproperties=fm,rotation=n)
  • 绘制散点图plt.scatter(x,y)
  • 显示图片plt.show()
  • 设置画布大小plt.figure(figsize=(m,n),dpi=p
  • 设置图例:plt.legend(loc="upper right",prop = fm)
  • 保存图片:plt.savefig("savepath+figname"): # 保存图片至savepath并命名为figname

Demo:绘制March和April温度图

from matplotlib import pyplot as plt
from matplotlib import font_manager
fm = font_manager.FontProperties(fname='F:\HuaDaBoSi\scratch\practice\img\AlimamaDaoLiTi.ttf')
plt.figure(figsize=(20,8),dpi=80)
temperature_3 = [12,13,14,28,10,15,17,23,24,24]
temperature_4 = [29,23,24,18,20,25,17,16,14,14]
x_3 = range(1,31,3)
x_4 = range(41,71,3)
plt.scatter(x_3,temperature_3,label="March")
plt.scatter(x_4,temperature_4,label="April")
x_ = list(x_3) + list(x_4)
x_tick_label = ["March,{}".format(i) for i in x_3]
x_tick_label += ["April,{}".format(i-40) for i in x_4]
plt.xticks(x_[::],x_tick_label[::],fontproperties = fm,rotation=45)
plt.legend(loc="upper right",prop = fm)
plt.xlabel("Time",fontproperties = fm)
plt.ylabel("Temperature",fontproperties = fm)
plt.title("The temperature between March and April",fontproperties=fm)
plt.show()

目录
相关文章
|
19天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
50 0
|
13天前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
31 2
|
20天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
31 2
|
25天前
|
数据采集 数据可视化 数据挖掘
R语言与Python:比较两种数据分析工具
R语言和Python是目前最流行的两种数据分析工具。本文将对这两种工具进行比较,包括它们的历史、特点、应用场景、社区支持、学习资源、性能等方面,以帮助读者更好地了解和选择适合自己的数据分析工具。
27 2
|
11天前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
11天前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析:Pandas库实战指南
利用Python进行数据分析:Pandas库实战指南
|
13天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
25天前
|
数据采集 机器学习/深度学习 数据可视化
深入浅出:用Python进行数据分析的入门指南
【10月更文挑战第21天】 在信息爆炸的时代,掌握数据分析技能就像拥有一把钥匙,能够解锁隐藏在庞大数据集背后的秘密。本文将引导你通过Python语言,学习如何从零开始进行数据分析。我们将一起探索数据的收集、处理、分析和可视化等步骤,并最终学会如何利用数据讲故事。无论你是编程新手还是希望提升数据分析能力的专业人士,这篇文章都将为你提供一条清晰的学习路径。
|
1月前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据处理与可视化——以气温数据分析为例
【10月更文挑战第12天】使用Python进行数据处理与可视化——以气温数据分析为例
198 0
|
1月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--进阶
Python数据分析篇--NumPy--进阶
17 0