10、散点图

 

 

In [ ]:

'''
散点图、矩阵散点图

plt.scatter(), pd.scatter_matrix()
'''
# 如果x,y分别代表经纬度，点的大小--->第三维度

In [14]:

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

In [16]:

# plt.scatter()散点图
# plt.scatter(x, y, s=20, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None, 
# alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

plt.figure(figsize=(8,6))

x = np.random.randn(1000)
y = np.random.randn(1000)

plt.scatter(x,y,marker='.',
           s = np.random.randn(1000)*100,
           cmap = 'Reds',
           c = 'g',# 颜色大小显示---->第四个纬度
           alpha = 0.8)
plt.grid()
# s：散点的大小
# c：散点的颜色
# vmin,vmax：亮度设置，标量
# cmap：colormap

 

In [28]:

# pd.scatter_matrix()散点矩阵
# pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None, 
# grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)
from pandas.plotting import scatter_matrix
 

df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
scatter_matrix(df,figsize=(10,6),
                 marker = 'o',
                 diagonal='kde',
                 alpha = 0.5,
                 range_padding=0.1)
plt.show()
# diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图
# range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点


# 用来判断散点矩阵之间的关系

 

In [ ]: