Matplotlib散点图：如何创建包含正负轴的散点图

Matplotlib散点图：如何创建包含正负轴的散点图

参考：How to create scatterplot with both negative and positive axes

Matplotlib是Python中最流行的数据可视化库之一，它提供了强大而灵活的工具来创建各种类型的图表，包括散点图。在本文中，我们将深入探讨如何使用Matplotlib创建包含正负轴的散点图，这种图表在展示跨越原点的数据分布时特别有用。

1. 散点图基础

散点图是一种用于显示两个变量之间关系的图表类型。每个点代表一个观察值，其x坐标和y坐标分别对应两个变量的值。散点图可以帮助我们识别变量之间的相关性、聚类模式或异常值。

让我们从一个简单的散点图开始：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
x = np.random.randn(100)
y = np.random.randn(100)

# 创建散点图
plt.figure(figsize=(8, 6))
plt.scatter(x, y)
plt.title('Basic Scatter Plot - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

Output:

这个例子创建了一个基本的散点图，使用随机生成的数据。plt.scatter()函数是创建散点图的核心，它接受x和y坐标作为输入。

2. 创建包含正负轴的散点图

要创建包含正负轴的散点图，我们需要确保数据点分布在坐标系的四个象限中。这通常涉及到使用跨越零点的数据。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

# 生成跨越零点的数据
x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)

# 创建散点图
plt.figure(figsize=(8, 8))
plt.scatter(x, y)
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.title('Scatter Plot with Positive and Negative Axes - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.grid(True)
plt.show()

Output:

在这个例子中，我们使用np.random.uniform()生成了在-5到5之间均匀分布的数据点。plt.axhline()和plt.axvline()函数用于绘制穿过原点的水平和垂直线，以清晰地显示坐标轴。

3. 自定义散点图外观

Matplotlib提供了多种方法来自定义散点图的外观，使其更具吸引力和信息量。以下是一些常用的自定义选项：

3.1 调整点的大小和颜色

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)
colors = np.random.rand(100)
sizes = np.random.randint(20, 200, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
plt.colorbar(label='Color Scale')
plt.title('Customized Scatter Plot - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

在这个例子中，我们使用c参数设置点的颜色，s参数设置点的大小，alpha参数调整透明度。cmap参数指定了颜色映射。

3.2 添加图例

当散点图包含多个数据系列时，添加图例非常有用：

import matplotlib.pyplot as plt
import numpy as np

x1 = np.random.uniform(-5, 5, 50)
y1 = np.random.uniform(-5, 5, 50)
x2 = np.random.uniform(-5, 5, 50)
y2 = np.random.uniform(-5, 5, 50)

plt.figure(figsize=(10, 8))
plt.scatter(x1, y1, c='blue', label='Series 1')
plt.scatter(x2, y2, c='red', label='Series 2')
plt.legend()
plt.title('Scatter Plot with Legend - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子展示了如何为多个数据系列添加图例。

4. 添加文本注释

在散点图中添加文本注释可以帮助突出显示特定的数据点或区域：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y)
plt.annotate('Interesting Point', xy=(2, 2), xytext=(3, 3),
             arrowprops=dict(facecolor='black', shrink=0.05))
plt.title('Scatter Plot with Annotation - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

plt.annotate()函数用于添加带箭头的文本注释。

5. 设置坐标轴范围

有时我们需要手动设置坐标轴的范围，以确保所有数据点都能被正确显示：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-10, 10, 100)
y = np.random.uniform(-10, 10, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y)
plt.xlim(-12, 12)
plt.ylim(-12, 12)
plt.title('Scatter Plot with Custom Axis Range - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

plt.xlim()和plt.ylim()函数用于设置x轴和y轴的范围。

6. 添加趋势线

在散点图中添加趋势线可以帮助我们更好地理解数据的整体趋势：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = 2 * x + np.random.normal(0, 2, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y)
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
plt.plot(x, p(x), "r--")
plt.title('Scatter Plot with Trend Line - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子使用np.polyfit()和np.poly1d()函数计算并绘制了一条线性趋势线。

7. 使用不同的标记样式

Matplotlib提供了多种标记样式，可以用来区分不同的数据系列：

import matplotlib.pyplot as plt
import numpy as np

x1 = np.random.uniform(-5, 5, 50)
y1 = np.random.uniform(-5, 5, 50)
x2 = np.random.uniform(-5, 5, 50)
y2 = np.random.uniform(-5, 5, 50)

plt.figure(figsize=(10, 8))
plt.scatter(x1, y1, marker='o', label='Series 1')
plt.scatter(x2, y2, marker='^', label='Series 2')
plt.legend()
plt.title('Scatter Plot with Different Markers - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

在这个例子中，我们使用了圆形(‘o’)和三角形(‘^’)标记来区分两个数据系列。

8. 添加颜色条

当使用颜色来表示第三个维度的数据时，添加颜色条可以帮助解释颜色的含义：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)
z = x**2 + y**2

plt.figure(figsize=(10, 8))
scatter = plt.scatter(x, y, c=z, cmap='viridis')
plt.colorbar(scatter, label='Z Value')
plt.title('Scatter Plot with Colorbar - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子使用点的颜色来表示z值，并添加了一个颜色条来解释颜色的含义。

9. 使用子图

当我们需要在同一个图形中比较多个散点图时，可以使用子图：

import matplotlib.pyplot as plt
import numpy as np

x1 = np.random.uniform(-5, 5, 100)
y1 = np.random.uniform(-5, 5, 100)
x2 = np.random.uniform(-5, 5, 100)
y2 = np.random.uniform(-5, 5, 100)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

ax1.scatter(x1, y1)
ax1.set_title('Subplot 1 - how2matplotlib.com')
ax1.axhline(y=0, color='k', linestyle='--')
ax1.axvline(x=0, color='k', linestyle='--')

ax2.scatter(x2, y2)
ax2.set_title('Subplot 2 - how2matplotlib.com')
ax2.axhline(y=0, color='k', linestyle='--')
ax2.axvline(x=0, color='k', linestyle='--')

plt.tight_layout()
plt.show()

Output:

这个例子创建了两个并排的散点图子图。

10. 添加误差条

在某些情况下，我们可能需要显示数据点的不确定性或误差范围：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 20)
y = np.random.uniform(-5, 5, 20)
xerr = np.random.uniform(0, 0.5, 20)
yerr = np.random.uniform(0, 0.5, 20)

plt.figure(figsize=(10, 8))
plt.errorbar(x, y, xerr=xerr, yerr=yerr, fmt='o')
plt.title('Scatter Plot with Error Bars - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

plt.errorbar()函数用于创建带有误差条的散点图。

11. 使用不同的点大小表示权重

点的大小可以用来表示数据点的权重或重要性：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 50)
y = np.random.uniform(-5, 5, 50)
weights = np.random.uniform(10, 100, 50)

plt.figure(figsize=(10, 8))
plt.scatter(x, y, s=weights, alpha=0.5)
plt.title('Scatter Plot with Weighted Points - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

在这个例子中，点的大小由weights数组决定。

12. 添加边界框

有时我们可能想要突出显示散点图的特定区域：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y)
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.axvspan(-2, 2, -2, 2, alpha=0.2, color='red')
plt.title('Scatter Plot with Bounding Box - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.grid(True)
plt.show()

Output:

plt.axvspan()函数用于创建一个矩形区域来突出显示特定的数据范围。

13. 使用3D散点图

对于三维数据，我们可以创建3D散点图：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)
z = np.random.uniform(-5, 5, 100)

ax.scatter(x, y, z)
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
ax.set_title('3D Scatter Plot - how2matplotlib.com')
plt.show()

Output:

这个例子使用mpl_toolkits.mplot3d模块创建了一个3D散点图。

14. 使用颜色映射表示密度

我们可以使用颜色来表示数据点的密度：

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde

x = np.random.normal(0, 1, 1000)
y = x * 0.5 + np.random.normal(0, 1, 1000)

xy = np.vstack([x,y])
z = gaussian_kde(xy)(xy)

plt.figure(figsize=(10, 8))
plt.scatter(x, y, c=z, s=50, cmap='viridis')
plt.colorbar(label='Density')
plt.title('Scatter Plot with Density Coloring - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子使用scipy.stats.gaussian_kde函数计算点的密度，并用颜色表示。

15. 添加等高线

在散点图上添加等高线可以帮助我们更好地理解数据的分布：

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde

x = np.random.normal(0, 1, 1000)
y = x * 0.5 + np.random.normal(0, 1, 1000)

xy = np.vstack([x,y])
z = gaussian_kde(xy)(xy)

plt.figure(figsize=(10, 8))
plt.scatter(x, y, c=z, s=50, cmap='viridis')
plt.colorbar(label='Density')

# 添加等高线
xi, yi = np.mgrid[x.min():x.max():100j, y.min():y.max():100j]
zi = gaussian_kde(xy)(np.vstack([xi.flatten(), yi.flatten()]))
plt.contour(xi, yi, zi.reshape(xi.shape), colors='k', alpha=0.5)

plt.title('Scatter Plot with Contours - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子在散点图上添加了密度等高线。

16. 使用不同形状的标记

我们可以使用不同形状的标记来区分不同类别的数据：

import matplotlib.pyplot as plt
import numpy as np

x1 = np.random.uniform(-5, 5, 50)
y1 = np.random.uniform(-5, 5, 50)
x2 = np.random.uniform(-5, 5, 50)
y2 = np.random.uniform(-5, 5, 50)
x3 = np.random.uniform(-5, 5, 50)
y3 = np.random.uniform(-5, 5, 50)

plt.figure(figsize=(10, 8))
plt.scatter(x1, y1, marker='o', label='Class 1')
plt.scatter(x2, y2, marker='^', label='Class 2')
plt.scatter(x3, y3, marker='s', label='Class 3')
plt.legend()
plt.title('Scatter Plot with Different Marker Shapes - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子使用圆形、三角形和正方形标记来表示三个不同的类别。

17. 添加文本标签

我们可以为散点图中的特定点添加文本标签：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 20)
y = np.random.uniform(-5, 5, 20)
labels = [f'Point {i+1}' for i in range(20)]

plt.figure(figsize=(10, 8))
plt.scatter(x, y)

for i, label in enumerate(labels):
    plt.annotate(label, (x[i], y[i]), xytext=(5, 5), textcoords='offset points')

plt.title('Scatter Plot with Text Labels - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子为每个数据点添加了一个文本标签。

18. 使用渐变色

我们可以使用渐变色来表示数据点的某种属性：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 100)
y = np.random.uniform(-5, 5, 100)
colors = np.linspace(0, 1, 100)

plt.figure(figsize=(10, 8))
scatter = plt.scatter(x, y, c=colors, cmap='coolwarm')
plt.colorbar(scatter, label='Color Value')
plt.title('Scatter Plot with Gradient Colors - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子使用了从蓝色到红色的渐变色来表示数据点的某种属性。

19. 添加趋势线和置信区间

我们可以在散点图上添加趋势线和置信区间：

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

x = np.random.uniform(-5, 5, 100)
y = 2 * x + np.random.normal(0, 2, 100)

plt.figure(figsize=(10, 8))
plt.scatter(x, y)

# 添加趋势线
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
line = slope * x + intercept
plt.plot(x, line, color='r', label='Trend line')

# 添加置信区间
plt.fill_between(x, line - std_err, line + std_err, color='gray', alpha=0.2, label='Confidence interval')

plt.legend()
plt.title('Scatter Plot with Trend Line and Confidence Interval - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

这个例子添加了一条趋势线和相应的置信区间。

20. 使用气泡图

气泡图是散点图的一种变体，其中点的大小表示第三个变量：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.uniform(-5, 5, 50)
y = np.random.uniform(-5, 5, 50)
sizes = np.random.uniform(20, 500, 50)
colors = np.random.uniform(0, 1, 50)

plt.figure(figsize=(10, 8))
plt.scatter(x, y, s=sizes, c=colors, alpha=0.5, cmap='viridis')
plt.colorbar(label='Color Value')
plt.title('Bubble Chart - how2matplotlib.com')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.grid(True)
plt.show()

Output:

在这个气泡图中，点的大小表示一个变量，颜色表示另一个变量。

总结：

本文详细介绍了如何使用Matplotlib创建包含正负轴的散点图，并探讨了多种自定义和增强散点图的方法。我们学习了如何调整点的大小、颜色和形状，添加图例和注释，设置坐标轴范围，添加趋势线和误差条，以及创建3D散点图等高级技巧。这些技术可以帮助我们更有效地可视化和分析数据，特别是在处理跨越原点的数据时。通过掌握这些技巧，我们可以创建更加丰富、信息量更大的散点图，从而更好地理解和展示数据中的模式和关系。