教你如何在Python中调整散点图的不同形状
1. 引言
散点图是一种用于显示两个变量之间关系的图形。在数据可视化中，我们常常需要根据不同的条件调整散点的形状，以便于区分数据点的类别。在这篇文章中，我将教你如何使用Python绘制散点图，并调整不同点的形状。
2. 工作流程
下面是实现这个任务的基本步骤：
| 步骤编号 | 步骤名称 | 说明 |
|---|---|---|
| 1 | 准备环境 | 安装所需的Python库 |
| 2 | 导入库 | 导入必要的Python模块 |
| 3 | 创建数据集 | 生成示例数据以用于绘图 |
| 4 | 绘制散点图 | 使用Matplotlib绘制基本散点图 |
| 5 | 调整形状 | 根据类别修改数据点的形状 |
| 6 | 显示图形 | 最后显示绘制的散点图 |
3. 步骤详解
步骤 1：准备环境
首先，确保你已经安装了matplotlib和numpy这两个库。如果没有，可以使用以下命令进行安装：
pip install matplotlib numpy
步骤 2：导入库
在你的Python脚本中，我们需要导入这些库以便后续使用：
import numpy as np # 用于生成数据
import matplotlib.pyplot as plt # 用于绘图
步骤 3：创建数据集
接下来，我们需要生成一些示例数据来绘制散点图。假设我们有两种类型的数据点，分别为A和B。
# 设置随机种子以便复现结果
np.random.seed(0)
# 生成数据
x = np.random.rand(50) # 生成 50 个随机数作为 x 坐标
y = np.random.rand(50) # 生成 50 个随机数作为 y 坐标
# 为每个点随机分配类别（0 或 1）
categories = np.random.randint(0, 2, 50) # 生成 50 个随机的类别
步骤 4：绘制散点图
现在我们可以使用Matplotlib来绘制一个基本的散点图。
# 创建一个新的图形
plt.figure(figsize=(8, 6))
# 绘制散点图，默认使用圆形
plt.scatter(x, y, c=categories, cmap='viridis', alpha=0.6)
plt.title('Basic Scatter Plot') # 设置图形标题
plt.xlabel('X-Axis') # 设置 x 轴标签
plt.ylabel('Y-Axis') # 设置 y 轴标签
plt.grid(True) # 添加网格
plt.show() # 显示图形
步骤 5：调整形状
现在我们要根据类别改变散点的形状。我们可以使用marker参数来实现这一点。
# 创建一个新的图形
plt.figure(figsize=(8, 6))
# 根据类别调整散点形状
# 类别0使用 'o'，类别1使用 's'
for cat in np.unique(categories):
# 选择对应类别的点
mask = categories == cat
if cat == 0:
plt.scatter(x[mask], y[mask], c='blue', marker='o', label='Category A', alpha=0.6)
else:
plt.scatter(x[mask], y[mask], c='red', marker='s', label='Category B', alpha=0.6)
plt.title('Scatter Plot with Different Shapes')
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.legend() # 添加图例
plt.grid(True)
plt.show()
在上面的代码中，我们为类别A使用了圆形标记（'o'），而类别B使用了方形标记（'s'）。通过这样的方式，你可以轻松区分不同的数据类。
关系图
为了更好地理解数据关系，这里用mermaid语法展示一个简单的ER图：
erDiagram
DATA {
int id
float x
float y
string category
}
DATA ||--o{ CATEGORIES : belongs_to
4. 结论
通过以上步骤，你应该能够在Python中绘制散点图，并根据类别调整散点的形状。数据可视化是数据分析中不可或缺的一部分，掌握这些基本技能后，你可以更深入地探索数据，找出潜在的模式与趋势。
如上展示，使用matplotlib和numpy库不仅能够绘制基本的散点图，还能通过简单的条件语句让图形更具信息量。你可以扩展这个示例，增加更多数据点或类别，甚至尝试不同的颜色方案和标记形状，以提升图形的可读性。希望这篇文章对你有所帮助，祝你在数据可视化的旅程中越走越远！
