一、简介
在机器学习中，经常需要通过散点图查看原始数据的分布情况，从而对特征和算法的选择进行初步判断。
散点图可以形象展示直角坐标系中两个变量之间的关系。在散点图中 ，每个数据点的位置实际上就是两个变量的值。变量间的任何关系都可以拿散点图来表示。
matplotlib绘图功能模仿MATLAB，非常方便和强大。下面，本文将详细介绍如何使用matplotlib画出好看实用的散点图。
如果你对matplotlib完全不熟悉，可以先花10分钟去我的另一篇博客学习一下基本操作：
10分钟带你从零上手matplotlib数据可视化
需要进一步深入了解的朋友可以查看 matplotlib.pyplot.scatter 官方文档
二、2D散点图参数及实例
1. 常用参数详解
import matplotlib.pyplot as plt
plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None,
vmin=None, vmax=None, alpha=None, linewidths=None,
verts=None, edgecolors=None, *, data=None, **kwargs)
- x,y传入数组，形如
shape(n,)，表示每个点的横、纵坐标 - s传入标量或数组，形如
shape(n,)，表示每个点标记的大小，可选，默认为[‘lines.markersize’] ** 2 - c传入颜色，或颜色序列，表示点标记的颜色，b=蓝色，g=绿色，r=红色，y=黄色，k=黑色，w=白色，c=蓝绿色，m=洋红
- marker，传入字符串，表示点标记的样式，默认为’o’，常用的有
'^'， '*'， 'o'，'+'，'x',
更多样式可以查看官方文档 - linewidths传入标量或数组，形如
shape(n,)，表示标记的边框线宽，默认为None - edgecolors传入颜色或颜色序列，表示标记边框的颜色，默认为’face’,传入‘face’表示与标记颜色相同，传入’none’表示无边框。
2. 最简单的2D散点图实例
import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [1, 2, 3, 4]
plt.scatter(x, y, s=[10, 20, 50, 100], c=['r', 'y', 'g', 'b'])
plt.show()
从图中可以看出来，的确是s控制了每个点的大小，c控制了每个点的颜色。
3. 机器学习中的2D散点图实例
下面我们先用sklearn中经典的iris分类数据画一个二维散点图
from sklearn import datasets
import matplotlib.pyplot as plt
#从sklearn中获取经典的iris数据
iris = datasets.load_iris() #iris.data为150x4矩阵
x1 = iris.data[:, 1] #获取第二列特征值
x2 = iris.data[:, 2] #获取第三列特征值
y = iris.target #y是分类值：0,1,2
plt.scatter(x1, x2, c=y) #将y作为参数传给c能够很方便的区分不同类别的颜色
plt.title('Iris Classification')
plt.xlabel('Petal length')
plt.ylabel('Petal width')
plt.show()
三、3D散点图参数及实例
Matplotlib 绘制 3D 图像主要通过 mpl_toolkits.mplot3d 模块实现，但由于三维图像实际上是在二维画布上展示，因此同样需要载入 pyplot 模块。
备注：mpl_toolkits.mplot3d这个模块不需要另外安装，matplotlib中已自带。
1. 常用参数详解
Axes3D.scatter(xs, ys, zs=0, zdir='z', s=20, c=None,
depthshade=True, *args, **kwargs)
- xs, ys控制x轴和y轴坐标
- zs控制z轴坐标，默认为0，如果传入1个标量，那么就是所有点在同一高度，传入数组就是与xs, ys一一对应的高度。
- s控制点的大小
- c控制点的颜色
2. 3D散点图实例
还是用上面的数据，我们取iris.data中前三个特征画散点图
from sklearn import datasets
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#从sklearn中获取经典的iris数据
iris = datasets.load_iris() #iris.data为150x4矩阵
x1 = iris.data[:, 0] #获取第1列特征值
x2 = iris.data[:, 1] #获取第2列特征值
x3 = iris.data[:, 2] #获取第3列特征值
y = iris.target #y是分类值：0,1,2
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x1, x2, x3, c=y)
plt.show()
