本文主要是介绍[Python] 二维散点图、三维散点图、散点图矩阵，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

目录

1 两主特征：二维散点图

1.1 二维散点图

1.2 二维分类散点图

1.3 气泡图

2 三主特征：三维散点图

2.1 三维散点图

2.2 三维分类散点图

3 多主特征：二维散点图矩阵

3.1 二维散点图矩阵

3.2 二维分类散点图矩阵

以python自带数据鸢尾花数据为例，导入需要用到的包和数据。
注：除此步骤外，以下每张图对于的代码段可单独使用，可直接跳转至需要的图。

#下载和导入需要的库
pip install numpy
pip install scipy

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

1 两主特征：二维散点图

1.1 二维散点图

以python自带数据鸢尾花数据为例。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#绘制前两个特征的二维散点图
plt.scatter(df['sepal length (cm)'], df['sepal width (cm)'], alpha=0.8)
plt.xlabel('sepal length (cm)')  # 横坐标轴标题
plt.ylabel('sepal width (cm)')  # 纵坐标轴标题
plt.show()

1.2 二维分类散点图

根据鸢尾花数据集前两个特征进行K-means聚类，聚成4类后在上述基础上在散点图中区分这四类。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#在二维散点图之上，区别某些特征
#根据前两个特征：利用K-means聚类将数据聚成四类
pip install sklearn
from sklearn.cluster import KMeans
estimator = KMeans(n_clusters=4)   #构造聚类器
estimator.fit(df.iloc[:,0:2])      #聚类
label_pred = estimator.labels_     #获取聚类标签
df['label'] = label_pred           #在原数据表显示聚类标签

#绘制k-means结果
x0 = df[label_pred == 0]
x1 = df[label_pred == 1]
x2 = df[label_pred == 2]
x3 = df[label_pred == 3]
plt.scatter(x0.iloc[:, 0], x0.iloc[:, 1], c = "red", marker='o', label='label0')
plt.scatter(x1.iloc[:, 0], x1.iloc[:, 1], c = "green", marker='*', label='label1')
plt.scatter(x2.iloc[:, 0], x2.iloc[:, 1], c = "blue", marker='+', label='label2')
plt.scatter(x3.iloc[:, 0], x3.iloc[:, 1], c = "yellow", marker='^', label='label3')
plt.xlabel('sepal length (cm)')
plt.ylabel('sepal width (cm)')
plt.legend(loc=2)
plt.show()

1.3 气泡图

二维分类散点图是在两个主特征的基础上，叠加一个分类特征

若在两个主特征的基础上，还要展示另外一个连续特征，可以使用气泡图。

这里假设iris的第三个为需要展示的另一个连续特征（仅做方法展示用，实践中iris的第三个特征与前两个特征是同类别的，不适合用气泡图，用下文所述的三维散点图或者散点图矩阵更合适。）

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#假设iris的第三个特征展示为为气泡大小
fea = df['petal length (cm)']
plt.scatter(df['sepal length (cm)'], df['sepal width (cm)'], s=fea*100, c='purple', alpha=0.4, edgecolors="grey", linewidth=2)
plt.xlabel('sepal length (cm)')  # 横坐标轴标题
plt.ylabel('sepal width (cm)')  # 纵坐标轴标题
plt.title('s=fea*100, c=purple',verticalalignment='bottom')
plt.show()
#参数说明
    # s：表征气泡大小的变量
    # c：颜色，若想要彩色气泡，可以给c赋值，如c=fea
    # alpha：不透明度
    # edgecolors：气泡描边的颜色
    # linewidth：气泡描边大小

2 三主特征：三维散点图

2.1 三维散点图

 考虑鸢尾花数据集前三个特征，绘制三维散点图。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#根据鸢尾花数据前三个特征，绘制三维散点图
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D # 空间三维画图
#设置x、y、z轴
x=df['sepal length (cm)']
y=df['sepal width (cm)']
z=df['petal length (cm)']
#绘图
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, y, z)
# 添加坐标轴
ax.set_xlabel('sepal length (cm)', fontdict={'size': 10, 'color': 'black'})
ax.set_ylabel('sepal width (cm)', fontdict={'size': 10, 'color': 'black'})
ax.set_zlabel('petal length (cm)', fontdict={'size': 10, 'color': 'black'})
plt.show()

2.2 三维分类散点图

根据鸢尾花数据集前三个特征进行K-means聚类，聚成4类后在上述基础上在散点图中区分这四类。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#根据前三个特征：利用K-means聚类将数据聚成四类
pip install sklearn
from sklearn.cluster import KMeans
estimator = KMeans(n_clusters=4)   #构造聚类器
estimator.fit(df.iloc[:,0:3])      #聚类
label_pred = estimator.labels_     #获取聚类标签
df['label'] = label_pred           #在原数据表显示聚类标签

#根据鸢尾花数据前三个特征，绘制三维分类散点图
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D # 空间三维画图
#设置x、y、z轴
x=df['sepal length (cm)']
y=df['sepal width (cm)']
z=df['petal length (cm)']
#绘图
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, y, z, c=label_pred)  #c指颜色，c=label_pred刚好四个分类四个颜色。相比普通三维散点图只改了这里！！！
# 添加坐标轴
ax.set_xlabel('sepal length (cm)', fontdict={'size': 10, 'color': 'black'})
ax.set_ylabel('sepal width (cm)', fontdict={'size': 10, 'color': 'black'})
ax.set_zlabel('petal length (cm)', fontdict={'size': 10, 'color': 'black'})
plt.show()

3 多主特征：二维散点图矩阵

3.1 二维散点图矩阵

如果有多个特征需要绘图，比如鸢尾花有4个特征，可以绘制二维散点图矩阵。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#散点图矩阵
import seaborn as sns
fig = plt.figure(figsize=(15, 25))
sns.pairplot(data=df, vars=df.iloc[:,0:4], diag_kind="kde", markers="+")
plt.show()
# 参数说明：
    # data指定pairplot()要用到的数据源
    # hue指定将data中的数据区分显示的依据
    # vars指定data中要绘制成散点矩阵图的数据
    # diag_kind指对角线图的类型{'auto', 'hist', 'kde'}

3.2 二维分类散点图矩阵

如果进一步进行分类，可绘制二维分类散点图矩阵。

#导入鸢尾花数据，并重构数据框
from sklearn.datasets import load_iris
iris = load_iris()
df = pd.DataFrame(iris.data[:],columns=iris.feature_names[:])

#根据前四个特征：利用K-means聚类将数据聚成四类
pip install sklearn
from sklearn.cluster import KMeans
estimator = KMeans(n_clusters=4)   #构造聚类器
estimator.fit(df.iloc[:,0:4])      #聚类
label_pred = estimator.labels_     #获取聚类标签
df['label'] = label_pred           #在原数据表显示聚类标签

#绘制二维分类散点图矩阵
import seaborn as sns
fig = plt.figure(figsize=(15, 25))
sns.pairplot(data=df, hue='label', vars=df.iloc[:,0:4])
plt.show()
# 参数说明：
    # data指定pairplot()要用到的数据源，hue指定将data中的数据区分显示的依据
    # vars指定data中要绘制成散点矩阵图的数据"

这篇关于[Python] 二维散点图、三维散点图、散点图矩阵的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！