极客笔记Matplotlib 设置可变点大小
在数据可视化中，点图是非常常见的一种图形。Matplotlib作为一个Python中的数据可视化库，能够非常方便地绘制各种类型的点图。在绘制点图时，点的大小常常可以传递给Matplotlib来表示数据的某种含义，如点的大小可以反映数据分布的密度、数据的频率等等。
然而，有时候我们也需要根据一些其他的分布特点来调整点的大小，或者根据其他的需求来调整点的大小，这时候如何设置点的大小就成了一个比较关键的问题。那么在Matplotlib中如何设置可变点大小呢？接下来我们将为大家介绍一些实现的方法。
阅读更多：Matplotlib 教程
1. 使用s参数
在Matplotlib中，绘制散点图最常见的方式是使用plot方法，可以通过在plot调用中传递s参数来控制点的大小。s参数值可以是一个数字，表示所有点的大小相同，也可以是一个数组，数组中的每个值对应于每个点的大小。
以线性函数为例，我们可以使用如下代码来绘制一条线上的点，其中每个点的大小由一个数组给定：
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 100)
y = x ** 2
size = np.random.rand(len(x)) * 50 # 定义点的大小数组
plt.scatter(x, y, s=size)
plt.show()
其中，size数组的值是一个随机生成的长度与x相同的数组，反映了每个点的大小。这样就可以得到如下的图形：
2. 使用alpha参数
在绘制点图的时候，有时候我们并不是特别关心点的大小，而是更加关心点的密度。如果数据比较密集的时候，将所有的点都画出来可能会导致图形比较杂乱，而通过改变点的透明度可以使图形变得更加清晰。
在Matplotlib中，我们可以通过设置alpha参数来控制点的透明度，其取值范围是0.0到1.0。当alpha=1.0时，点的透明度为完全不透明，alpha=0.0时，点完全透明。
例如，我们可以在上一个例子中加入alpha参数，来让点的透明度和大小同时体现点的密度：
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 100)
y = x ** 2
size = np.random.rand(len(x)) * 50 # 定义点的大小数组
plt.scatter(x, y, s=size, alpha=0.7)
plt.show()
3. 使用normalize参数
在使用点的大小来表示数据特征的时候，样本中的数据通常分布在一定的范围内，但是这个范围的大小可能会对应多种数据分布的特征。为了在这种情况下更好地控制点的大小，Matplotlib提供了normalize参数，允许我们根据数据分布的范围来自动归一化点的大小。
normalize参数可以是一个matplotlib.colors.Normalize的对象，用于指定归一化范围。通常情况下，我们可以使用matplotlib.colors.Normalize类的vmin和vmax参数来指定归一化的最小和最大值。vmin和vmax定义了数据的值域范围，所有点的大小都基于该范围内的数据。normalize参数可以直接传递给scatter方法的s参数，以指定点的大小。
例如，我们可以根据y的值域范围来归一化点的大小，绘制出如下的图形：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
x = np.linspace(0, 10, 100)
y = x ** 2
size = np.random.rand(len(x)) * 50 # 定义点的大小数组
norm = mcolors.Normalize(vmin=y.min(), vmax=y.max()) # 根据y的范围归一化点的大小
colors = plt.cm.viridis(norm(y)) # 使用viridis颜色映射
plt.scatter(x, y, s=size, c=colors)
plt.colorbar() # 添加颜色条
plt.show()
这段代码中，我们使用颜色映射viridis来表示y的值，同时根据y的范围来归一化点的大小。
4. 使用cmap参数
在上一个例子中，我们使用颜色映射来表示y的值，这相当于将y的值转换为一种颜色。而Matplotlib中也有类似的机制来实现将点大小转换为颜色的功能。我们可以使用cmap（colormap）参数来指定点的颜色映射。Matplotlib提供了大量的颜色映射，可以让我们自由地选择合适的颜色映射来表达数据的特征。
以log函数为例，我们可以使用如下的代码来生成一个点的大小随y呈指数级增长的例子：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
x = np.linspace(0, 10, 100)
y = x ** 2
size = np.exp(y / 100) # 定义点的大小随y指数增长
colors = plt.cm.get_cmap('tab10')(np.arange(10)) # 定义颜色映射
plt.scatter(x, y, s=size * 10, cmap='tab10', c=y)
plt.colorbar() # 添加颜色条
plt.show()
在这段代码中，我们使用了plt.cm.get_cmap('tab10')(np.arange(10))定义了一个颜色映射叫做”tab10″，该颜色映射将10个点映射到10个不同的颜色上。我们使用了exponential函数来定义点随y指数级增长的大小，同时将y的值传递给c参数来将点的大小映射到颜色上。
5. 自定义点大小转换函数
除了使用Matplotlib提供的参数来控制点的大小之外，我们还可以自己定义一个转换函数，根据每个点对应的数据值来计算其大小。对于这种方法，我们可以使用scatter方法中的s参数以及一个自定义的转换函数来实现。
例如，我们可以定义一个log函数来将y的值映射到点的大小上，并使用如下代码来绘制以y为自变量的log函数图像：
import numpy as np
import matplotlib.pyplot asplt
import matplotlib.colors as mcolors
x = np.linspace(0, 10, 100)
y = x ** 2
def size_func(y):
return np.log(y) * 10 # 自定义log函数
size = size_func(y)
plt.scatter(x, y, s=size, c='green')
plt.show()
在这段代码中，我们定义了一个自己的log函数size_func来将y的值映射到点的大小上，然后将其传递给s参数。
总结
在Matplotlib中，设置可变点大小是绘制点图的一个重要问题。通过使用s参数、alpha参数、normalize参数、cmap参数或自定义转换函数，我们可以根据不同的需求来设置点的大小，并将其映射到颜色上，使得数据的特征更加明显和直观。以上提到的几种方法在实际应用中都非常常见，可以让我们更好地展现数据的特点。