散点图是用于研究两个变量之间关系的经典的和基本的图表。如果数据中有多个组，则可能需要以不同颜色可视化每个组。
今天我们画普通散点图、边际分布线性回归散点图、散点图矩阵、带线性回归最佳拟合线的散点图
本文示例多是来自官方文档，这里我只是做一下整理，让大家知道散点图的不同玩法，不要再绘制老掉牙的普通玩家版散点图了。
普通玩家绘制的散点图
在 matplotlib 中，可以使用 plt.scatterplot（） 方便地执行此操作。
import numpy as np import matplotlib.pyplot as plt # Fixing random state for reproducibility np.random.seed(19680801) N = 50 x = np.random.rand(N) y = np.random.rand(N) colors = np.random.rand(N) area = (30 * np.random.rand(N))**2 # 0 to 15 point radii plt.scatter(x, y, s=area, c=colors, alpha=0.5) plt.show()
matplotlib散点图升级版
散点的大小、形状、颜色和透明度都是可以修改的，来看一个升级版。
import matplotlib.pyplot as plt import numpy as np N = 10 x = np.random.rand(N) y = np.random.rand(N) # 每个点随机大小 s = (30*np.random.rand(N))**2 # 随机颜色 c = np.random.rand(N) plt.scatter(x, y, s=s, c=c, alpha=0.5) plt.show()
Seaborn散点图 + 分布图
#创建数据 rs = np.random.RandomState(2) df = pd.DataFrame(rs.randn(200,2), columns = ['A','B']) sns.jointplot(x=df['A'], y=df['B'], #设置xy轴，显示columns名称 data = df, #设置数据 color = 'b', #设置颜色 s = 50, edgecolor = 'w', linewidth = 1,#设置散点大小、边缘颜色及宽度(只针对scatter) stat_func=sci.pearsonr, kind = 'scatter',#设置类型：'scatter','reg','resid','kde','hex' #stat_func=<function pearsonr>, space = 0.1, #设置散点图和布局图的间距 size = 8, #图表大小(自动调整为正方形)) ratio = 5, #散点图与布局图高度比，整型 marginal_kws = dict(bins=15, rug =True), #设置柱状图箱数，是否设置rug )
带线性回归最佳拟合线的散点图
如果你想了解两个变量如何相互改变，那么最佳拟合线就是常用的方法。下图显示了数据中各组之间最佳拟合线的差异。要禁用分组并仅为整个数据集绘制一条最佳拟合线，请从下面的 sns.lmplot（）调用中删除 hue ='cyl'参数。
import seaborn as sns sns.set(style="darkgrid") tips = sns.load_dataset("tips") g = sns.jointplot("total_bill", "tip", data=tips, kind="reg", truncate=False, xlim=(0, 60), ylim=(0, 12), color="m", height=7)
矩阵散点图
矩阵散点图 - pairplot()
#设置风格 sns.set_style('white') #读取数据 iris = sns.load_dataset('iris') print(iris.head()) sns.pairplot(iris, kind = 'scatter', #散点图/回归分布图{'scatter', 'reg'}) diag_kind = 'hist', #直方图/密度图{'hist'， 'kde'} hue = 'species', #按照某一字段进行分类 palette = 'husl', #设置调色板 markers = ['o', 's', 'D'], #设置不同系列的点样式（这里根据参考分类个数） size = 2 #图标大小 )
