MATPLOTLIB.PYPLOT.SCATTER() IN PYTHON

Matplotlib staat als een uitgebreide bibliotheek in Python en biedt de mogelijkheid om statische, geanimeerde en interactieve visualisaties te genereren. De Matplotlib.pyplot.scatter() in Python strekt zich uit tot het maken van diverse plots, zoals spreidingsdiagrammen, staafdiagrammen, cirkeldiagrammen, lijndiagrammen, histogrammen, 3D-plots en meer.

Voor een diepgaander begrip kunt u aanvullende informatie vinden in de handleiding met de titel Python Matplotlib – Een overzicht .

Wat is Matplotlib.pyplot.scatter()?

De matplotlib.pyplot.scatter() plots dienen als een visueel hulpmiddel om de relaties tussen variabelen te onderzoeken en te analyseren, waarbij gebruik wordt gemaakt van punten om het verband daartussen weer te geven. De matplotlib-bibliotheek biedt de verstrooien() methode, speciaal ontworpen voor het maken van spreidingsdiagrammen. Deze plots zijn behulpzaam bij het illustreren van de onderlinge afhankelijkheden tussen variabelen en hoe veranderingen in de ene variabele de andere kunnen beïnvloeden

Linux-architectuur

Syntaxis : matplotlib.pyplot.scatter(x_axis_data, y_axis_data, s=Geen, c=Geen, marker=Geen, cmap=Geen, vmin=Geen, vmax=Geen, alpha=Geen, lijnbreedtes=Geen, edgecolors=Geen)

Parameters:

x_axis_data> : Een array met gegevens voor de x-axis.matplotlib

s> : Markeringsgrootte, die scalair kan zijn of een array met een grootte gelijk aan de grootte van x of y.

c> : Kleur van de reeks kleuren voor markeringen.

marker> : Markeringsstijl.

cmap> : Kleurkaartnaam.

linewidths> : Breedte van de markeringsrand.

edgecolor> : Markerrandkleur.

alpha> : Overvloeiwaarde, variërend tussen 0 (transparant) en 1 (dekkend).

Behalve voor x_axis_data> En y_axis_data> , zijn alle andere parameters optioneel, waarbij de standaardwaarden zijn ingesteld op Geen. De onderstaande voorbeelden van spreidingsdiagrammen demonstreren de veelzijdigheid van de scatter()-methode door verschillende combinaties van deze optionele parameters te tonen.

Er zijn verschillende manieren om plots te maken met behulp van matplotlib.pyplot.scatter() in Python. Er zijn enkele voorbeelden die de matplotlib. pyplot.scatter() functie in matplotlib.plot:

Basisspreidingsdiagram
Spreidingsplot met meerdere datasets
Bellendiagramplot
Aangepast spreidingsdiagram

Scatterplot in Matplotlib

Door matpltlib. plot () we hebben een spreidingsdiagram gemaakt. Het definieert x- en y-coördinaten, plot vervolgens de punten in het blauw en geeft de plot weer.

Python3

import> matplotlib.pyplot as plt> x>=>[>5>,>7>,>8>,>7>,>2>,>17>,>2>,>9>,> >4>,>11>,>12>,>9>,>6>]> y>=>[>99>,>86>,>87>,>88>,>100>,>86>,> >103>,>87>,>94>,>78>,>77>,>85>,>86>]> plt.scatter(x, y, c>=>'blue'>)> # To show the plot> plt.show()>

Uitvoer :

Basisspreidingsdiagram

Teken meerdere datasets op een spreidingsdiagram

De onderstaande code genereert een spreidingsdiagram met twee verschillende datasets, elk met een set x- en y-coördinaten. De code maakt gebruik van verschillende markeringen, kleuren en stijlopties voor verbeterde visualisatie.

Python3

import> matplotlib.pyplot as plt> # dataset-1> x1>=> [>89>,>43>,>36>,>36>,>95>,>10>,> >66>,>34>,>38>,>20>]> y1>=> [>21>,>46>,>3>,>35>,>67>,>95>,> >53>,>72>,>58>,>10>]> # dataset2> x2>=> [>26>,>29>,>48>,>64>,>6>,>5>,> >36>,>66>,>72>,>40>]> y2>=> [>26>,>34>,>90>,>33>,>38>,> >20>,>56>,>2>,>47>,>15>]> plt.scatter(x1, y1, c>=>'pink'>,> >linewidths>=> 2>,> >marker>=>'s'>,> >edgecolor>=>'green'>,> >s>=> 50>)> plt.scatter(x2, y2, c>=>'yellow'>,> >linewidths>=> 2>,> >marker>=>'^'>,> >edgecolor>=>'red'>,> >s>=> 200>)> plt.xlabel(>'X-axis'>)> plt.ylabel(>'Y-axis'>)> plt.show()>

Uitvoer :

Spreidingsplot met meerdere datasets

Bellendiagrammen in Matplotlib

Deze code genereert een bellendiagram met behulp van Matplotlib. Het tekent punten met gespecificeerde x- en y-coördinaten, elk weergegeven door een bel waarvan de grootte wordt bepaald door de bubble_sizes> lijst. Het diagram heeft aanpassingen voor transparantie, randkleur en lijnbreedte. Ten slotte wordt de plot weergegeven met een titel en aslabels.

Python3

mijnflixr

import> matplotlib.pyplot as plt> # Data> x_values>=> [>1>,>2>,>3>,>4>,>5>]> y_values>=> [>2>,>3>,>5>,>7>,>11>]> bubble_sizes>=> [>30>,>80>,>150>,>200>,>300>]> # Create a bubble chart with customization> plt.scatter(x_values, y_values, s>=>bubble_sizes, alpha>=>0.6>, edgecolors>=>'b'>, linewidths>=>2>)> # Add title and axis labels> plt.title(>'Bubble Chart with Transparency'>)> plt.xlabel(>'X-axis'>)> plt.ylabel(>'Y-axis'>)> # Display the plot> plt.show()>

Uitgang:

Bellendiagram

Aangepaste een Matplotlib-spreidingsdiagram

Door Matplotlib te importeren, creëren we een aangepast spreidingsdiagram met behulp van Matplotlib En NumPy . Het genereert willekeurige gegevens voor x- en y-coördinaten, kleuren en maten. Het spreidingsdiagram wordt vervolgens gemaakt met aangepaste eigenschappen zoals kleur, grootte, transparantie en kleurenkaart. De plot bevat een titel, aslabels en een kleurintensiteitsschaal. Ten slotte wordt de plot weergegeven

Python3

directory in Linux-opdrachten

import> matplotlib.pyplot as plt> import> numpy as np> # Generate random data> x>=> np.random.rand(>50>)> y>=> np.random.rand(>50>)> colors>=> np.random.rand(>50>)> sizes>=> 100> *> np.random.rand(>50>)> # Create a customized scatter plot> plt.scatter(x, y, c>=>colors, s>=>sizes, alpha>=>0.7>, cmap>=>'viridis'>)> # Add title and axis labels> plt.title(>'Customized Scatter Plot'>)> plt.xlabel(>'X-axis'>)> plt.ylabel(>'Y-axis'>)> # Display color intensity scale> plt.colorbar(label>=>'Color Intensity'>)> # Show the plot> plt.show()>

Uitvoer :

Aangepast spreidingsdiagram

Conclusie

Ten slotte, matplotlib.pyplot.scatter()> Python is een veelzijdig en krachtig hulpmiddel voor het visualiseren van relaties tussen variabelen door middel van spreidingsdiagrammen. De flexibiliteit maakt het mogelijk markeringen, kleuren, formaten en andere eigenschappen aan te passen, waardoor een dynamische manier wordt geboden om complexe gegevenspatronen weer te geven. Of het nu gaat om eenvoudige verkennende analyses of gedetailleerde gegevensinterpretatie, deze functie speelt een cruciale rol bij het creëren van informatieve en visueel aantrekkelijke spreidingsdiagrammen binnen de Python-programmeeromgeving.