本关任务:编写一个包含三组不同样式的散点图。
为了完成本关任务,你需要掌握:1.两种绘制散点图的方法,2.散点图常用的配置项。
散点图也是在数据科学中常用图之一,前面我们学习了使用plt.plot/ax.plot
画线形图的方法。同样的,现在用这些函数来画散点图:
x = np.linspace(0, 10, 30)
y = np.sin(x)
plt.plot(x, y, 'o', color='black')
函数的第三个参数是一个字符,表示图形符号的类型。与我们之前用-
和--
设置线条属性类似,对应的图形标记也有缩写形式。
rng = np.random.RandomState(0)
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
plt.plot(rng.rand(5), rng.rand(5), marker,label="marker='{0}'".format(marker))
plt.legend(numpoints=1)
plt.xlim(0, 1.8);
plt.savefig("T1.png")
plt.show()
常用标记如下:
取值 | 含义 |
---|---|
. |
point marker |
, |
pixel marker |
o |
circle marker |
v |
triangle_down marker |
^ |
triangle_up marker |
< |
triangle_left marker |
> |
triangle_right marker |
1 |
tri_down marker |
2 |
tri_up marker |
3 |
tri_left marker |
4 |
tri_right marker |
s |
square marker |
p |
pentagon marker |
* |
star marker |
h |
hexagon1 marker |
H |
hexagon2 marker |
+ |
plus marker |
x |
x marker |
D |
diamond marker |
d |
thin_diamond marker |
| |
vline marker |
_ |
hline marker |
plt.plot
函数非常灵活,可以满足各种不同的可视化配置需求。关于具体配置的完整描述,由于篇幅有限,请参考plt.plot
文档,这里就不多介绍了,大家多多尝试就好。
另一个可以创建散点图的函数是plt.scatter
。它的功能非常强大,其用法与plt.plot
函数类似:
x = np.linspace(0, 10, 30)
y = np.sin(x)
plt.scatter(x, y, marker='o');
结果和前面plt.plot
画的一样。plt.scatter
和plt.plot
的主要差别在于,前者在创建散点图时具有更高的灵活性,可以单独控制每个散点与数据匹配,也可以让每个散点具有不同的属性(大小、颜色等)。
接下来画一个随机散点图,里面有各种颜色和大小的散点。为了能更好的显示重叠部分,用alpha
参数来调整透明度:
rng = np.random.RandomState(0)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,
cmap='viridis')
plt.colorbar() # 显示颜色条
这里散点的大小以像素为单位。颜色为浮点数,自动映射成颜色条(color scale
,通过colorbar()
显示)。当取值为浮点数时,它所对应的颜色则是对应的colormap
上对应长度的取值,colormap
就像以下这样的条带:
这样,散点的颜色与大小就可以在可视化图中显示多维数据的信息了。例如,可以使用sklearn
程序库中的鸢尾花数据来演示。它里面有三种花,每个样本是一种花,其花瓣与花萼的长度与宽度都经过了测量:
from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T#加载数据
plt.scatter(features[0], features[1], alpha=0.2,
s=100*features[3], c=iris.target, cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1]);
散点图可以让我们同时看到不同维度的数据:每个点的坐标值(x
, y
)分别表示花萼的长度和宽度,而点的大小表示花瓣的宽度,三种颜色对应三种不同类型的鸢尾花。
这类多颜色与多特征的散点图在探索与演示数据时非常有用。
plot
与scatter
除了特征上的差异之外,在数据量较大时,plot
的效率将大大高于scatter
。
这时由于scatter
会对每个散点进行单独的大小与颜色的渲染,因此渲染器会消耗更多的资源。而在plot
中,散点基本都彼此复制,因此整个数据集中的所有点的颜色、大小只需要配置一次。所以面对大型数据集时,plot
方法比scatter
方法好。
在右侧编辑器补充代码,根据输入的三组数据绘制三组不同参数的散点图,具体要求如下:
第一组数据参数设置标记大小为area
,透明度为0.5
;
第二组数据参数设置标记大小为area
,标记颜色为绿色,透明度为0.6
;
第三组数据参数设置标记大小为area
,标记颜色为area
,标记样式为v
,透明度为0.7
;
图形的figsize
为(10, 10)
;
图形保存到Task3/img/T1.png
。
平台会对你编写的代码进行测试,因此请按照以下要求可视化:
预期输出:你的答案与正确答案一致
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as np
def student(x,y,x2,y2,x3,y3,area):
'''
根据输入的三组数据绘制三组不同参数的散点图
:param x,y: 第一组数据,类型为array
:param x2,y2: 第二组数据,类型为array
:param x3,y3: 第三组数据,类型为array
:param area: 标记大小参数的值,类型为array
:return: None
'''
# ********* Begin *********#
plt.figure(figsize=(10, 10))
# 绘制第一组散点图
plt.scatter(x, y, s=area, alpha=0.5)
# 绘制第二组散点图
plt.scatter(x2, y2, s=area, c='green', alpha=0.6 )
# 绘制第三组散点图
plt.scatter(x3, y3, s=area, marker='v', alpha=0.7,)
# 设置图例
# 保存图形
save_dir = 'Task3/img/'
plt.savefig(f'{save_dir}T1.png')
plt.close()
# ********* End *********#