Contents

Simple Scatter Plots

7. Simple Scatter Plots

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as np

7.1. 用 plt.plot 畫散布圖

  • 作法和剛剛的線圖幾乎一樣

x = np.linspace(0, 10, 30)
y = np.sin(x)

plt.plot(x, y, 'o', color='black');
../_images/04.02-Simple-Scatter-Plots_3_0.png

  • 第三個參數是用來表示繪圖時的形狀。寫 ‘o’ 就是點圖，如果寫 “-“，就會變線圖

  • 至於有多少 marker 可以用，可以查 plt.plot 或 Matplotlib的說明文件

  • 這邊舉例如下：

rng = np.random.RandomState(0)
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
    plt.plot(rng.rand(5), rng.rand(5), marker,
             label= f"marker={marker}")
plt.legend(numpoints=1)
plt.xlim(0, 1.8);
../_images/04.02-Simple-Scatter-Plots_5_0.png

  • 我們可以在 marker 的地方，一次定義多個特性(我要線條(-), 點(o), 以及黑色 (k))

plt.plot(x, y, '-ok'); # line (-), circle marker (o), black (k)
../_images/04.02-Simple-Scatter-Plots_7_0.png

  • 還有一些額外的參數，可以做更多的設定：

plt.plot(x, y, '-p', color='gray',
         markersize=15, linewidth=4,
         markerfacecolor='white',
         markeredgecolor='gray',
         markeredgewidth=2)
plt.ylim(-1.2, 1.2);
../_images/04.02-Simple-Scatter-Plots_9_0.png

7.2. 用 plt.scatter 畫散布圖

  • 另一種畫散布圖的方式是 plt.scatter，語法幾乎一樣：

plt.scatter(x, y, marker='o');
../_images/04.02-Simple-Scatter-Plots_12_0.png

  • 那，plt.plot() 和 plt.scatter() 差在哪？ 差在， plt.scatter() 可以控制 “每一個點” 屬性(大小, 顏色, 框線…)

  • 例如下例，我要畫 100 個點，然後我想要讓這 100 個點的大小和顏色都不同：

rng = np.random.RandomState(0);

# 生出 100 個 (x, y)
x = rng.randn(100)
y = rng.randn(100)

# 定義 100 個點各自的顏色和大小
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)

# 畫圖，而且 mapping 每個點的屬性
plt.scatter(x, y, 
            c=colors, 
            s=sizes, 
            alpha=0.3,
            cmap='viridis')
plt.colorbar();  # show color scale

/var/folders/j9/71c8r2vs343cb9329xbww0240000gn/T/ipykernel_25172/448753288.py:17: MatplotlibDeprecationWarning: Auto-removal of grids by pcolor() and pcolormesh() is deprecated since 3.5 and will be removed two minor releases later; please call grid(False) first.
  plt.colorbar();  # show color scale
../_images/04.02-Simple-Scatter-Plots_14_1.png

  • 再來，看一個統計畫圖常用的技巧，除了 (x,y) 描點外，點的大小 depend on 某個連續變數，點的顏色 depend on 某個類別變數.

  • 用 iris data 來當例子

from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T #四個變數
iris.feature_names

['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']

  • feature的部分，有上面這四個，所以我想用 features[0](sepal length，花萼長度) 和 features[1](sepal width，花萼寬度) 來描點

  • 點的大小用 features[2] (petal length，花瓣長度)

  • 點的顏色，用 response variable : iris.target (花的種類)

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]);
../_images/04.02-Simple-Scatter-Plots_18_0.png

7.3. plt.plot() 和 plt.scatter() 的使用時機

  • plt.scatter() 可以做比較多客製化，但缺點是，資料量大的時候效率不佳(因為為了達到每個點的設定，背後多做很多事).

  • 所以，資料量小的時候(幾百個點)，可以善用 plt.scatter()，但資料量大時，就用 plt.plot() 比較有效率

previous

6. Simple Line Plots

next

8. Error bars & Error region