python散点图的绘制

目录

• 一、二维散点图的绘制
• 1.采用pandas.plotting.scatter_matrix函数绘制
• 2. 采用seaborn进行绘制
• 二、 三维散点图绘制

一、二维散点图的绘制

1.采用pandas.plotting.scatter_matrix函数绘制

pd.plotting.scatter_matrix(iris_data, figsize=(10, 10), alpha=1, hist_ZKPLawDkwds={"bins": 20})

2. 采用seaborn进行绘制

 # No. 1
  # 全部变量都放进去
  sns.pairplot(iris_data)

  # No.2
  #kind:用于控制非对角线上图的类型，可选'scatter'与'reg'
 #diag_kind:用于控制对角线上的图分类型，可选'hist'与'kde'
 
  sns.pairplot(iris_data, kind='reg', diag_kind='kde')
  sns.pairplot(iris_data, kind='reg', diag_kind='hist')

经过hue分类后的pairplot中发现，不论是从对角线上的分布图还是从分类后的散点图，都可以看出对于不同种类的花，其萼片长、花瓣长、花瓣宽的分布差异较大，换句话说，这些属性是可以编程客栈帮助我们去识别不同种类的花的。比如，对于萼片、花瓣长度较短，花瓣宽度较窄的花，那么它大概率是山鸢尾

 # No 3
  # hue：针对某一字段进行分类
  sns.pairplot(iris_data, hue='species', kind='reg', diag_kind='hist')

 # No 4
  # vars：研究某2个或者多个变量之间的关系vars,
  # x_vars,y_vars：选择数据中的特定字段，以list形式传入需要注意的是，x_vars和y_vars要同时指定
  sns.pairplot(iris_data, vars=["sepal length (cm)", "sepal width (cm)"])
  sns.pairplot(iris_data, x_vars=["petal length (cm)", "sepal width (cm)"], y_vars=["petal width (cm)", "sepal length (cm)"])

二、 三维散点图绘制

三维散点图绘制采用mplot3d 模块进行绘制

 # No. 5 3d
  from mpl_toolkits.mplot3d import Axes3D
  dims={'x':'petal length (cm)', 'y':'petal width (cm)', 'z':'sepal length (cm)'}

  types=iris_data.species.value_counts().index.tolist()
  print(dims, types)
  flg=plt.figure()
  ax=Axes3D(flg)
  for iris_type in types:
    tmp_data=iris_data[iris_data.species ==iris_type]
    x,y,z = tmp_data[dims['x']], tmp_data[dims['z']],tmp_data[dims['z']]
    ax.scatter(x, y, z, label=iris_type)

  ax.legend(loc='upper left')
  ax.set_zlabel(dims['z'])
  ax.set_xlabel(dims['x'])
  ax.set_ylabel(dims['y'])
  plt.show()

完整代码：

import pandas as pd
from sklearn import datasets
import seaborn as sns
import matplotlib.pyplot as plt

def function():
  iris = datasets.load_iris()
  iris_data = pd.DataFrame(iris.data, columns=iris.feature_names)
  iris_data['species'] = iris.target_names[iris.target]

  # No. 0
  pd.plotting.scatter_matrix(iris_data, figsize=(10, 10), alpha=1, hist_kwds={"bins": 20})

  # No. 1
  # 全部变量都放进去
  sns.pairplot(iris_data)


  # No.2
  sns.pairplot(iris_data, kind='reg', diag_kind='kde')
  sns.pawww.cppcns.comirplot(iris_data, kind='reg', diag_kind='hist')

  # No 3
  # hue：针对某一字段进行分类
  sns.pairplot(iris_data, hue='species', kind='reg', diag_kind='hist')

  # No 4
  # vars：研究某2个或者多个变量之间的关系vars,
  # x_vars,y_vars：选择数据中的特定字段，以list形式传入需要注意的是，x_vars和y_vars要同时指定

  sns.pairplot(iris_data, vars=["sepal length (cm)", "sepal width (cm)"])
  sns.pairplot(iris_data, x_vars=["petal length (cm)", "sepal width (cm)"], y_vars=["petal width (cm)", "sepal length (cm)"])

  # No. 5 3d
  from mpl_toolkits.mplot3d import Axes3D
  dims={'x':'petal length (cm)', 'y':'petal width (cm)', 'z':'sepal length (cm)'}

  types=iris_data.species.value_counts().index.tolist()
  print(dims, types)
  flg=plt.figure()
  ax=Axes3D(flg)
  for iris_type in types:
    tmp_data=iris_data[iris_data.species ==iris_type]
    x,y,z = tmp_data[dims['x']], tmp_data[dims['z']]编程客栈,tmp_data[dims['z']]
    ax.scatter(x, y, z, label=iris_type)

  ax.legend(loc='upper left')
  ax.set_zlabel(dims['z'])
  ax.set_xlabel(dims['x'])
  ax.set_ylabel(dims['y'])

  print( iris_data)

  plt.show()


iwww.cppcns.comf __name__ == '__main__':
  function()

到此这篇关于python散点图的绘制的文章就介绍到这了,更多相关python散点图绘制内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！