python可视化——图的绘制（气泡图）

00 前言

大学期间毕业论文以及大创项目都使用到了python进行机器学习，虽然机器学习部分并不是很深入，但是涉及的面对于目前的我来说仍然有些广泛。除了对数据的处理让我有些吃力，绘图更是让零基础的我摸不着头脑。之前都是直接从网上搜集到的代码，也没有去深入解读每一行的意思，思来想去，这样始终不是解决问题的办法，因此，打算从目前开始好好地把绘图部分整理一下。

01 概述

气泡图（Bubble）是一种多变量图表，是散点图 的变体，也可以认为是散点图和百分比区域图的组合。 其可用于展示三个变量之间的关系，和散点图一样，绘制时将一个变量放在横轴，另一个变量放在纵轴，而第三个变量则用气泡的大小来表示。

排列在工作表的列中的数据（第一列中列出x值，在相邻列中列出相应的y值和气泡大小的值）可以绘制在气泡图中。

气泡图与散点图相似，不同之处在于：气泡图允许在图表中额外加入一个表示大小的变量进行对比，而第四维度的数据则可以通过不同的颜色来表示（甚至在渐变中使用阴影来表示)。

另一种使用气泡元素的流行方法是使用气泡地图。在气泡地图中，x和y分别代表一个地理位置的经纬坐标。在不要求定位非常精确的情况下，气泡地图可以将数据的相对集中度完美地体现在地理背景中。

此外，表示时间维度的数据时，可以将时间维度作为直角坐标系中的一个维度，或者结合动画来表现数据随着时间的变化情况。

气泡图通常用于比较和展示不同类别圆点（这里我们称为气泡）之间的关系，通过气泡的位置以及面积大小。从整体上看，气泡图可用于分析数据之间的相关性。

但需要注意的是，气泡图的数据大小容量有限，气泡太多会使图表难以阅读。但是可以通过增加一些交互行为弥补：隐藏一些信息，当鼠标点击或者悬浮时显示，或者添加一个选项用于重组或者过滤分组类别。

最后，气泡的大小是映射面积而非半径或直径，如果是基于半径或者直径，圆的大小不仅会呈现指数级的变化，而且还会导致视觉上的误差。如图1所示。

▲图1 气泡图

02 Matplotlib

由于是零基础，所以直接使用现成的库会轻松很多，先从Matplotlib库开始介绍一些必要的参数吧。

贴上详细的介绍：Matplotlib 教程

介绍

Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。

pylab

pylab 是 matplotlib 面向对象绘图库的一个接口。它的语法和 Matlab 十分相近。也就是说，它主要的绘图命令和 Matlab 对应的命令有相似的参数。

初始实例

先从正弦余弦函数图像开始吧。

​x
1
# 引入需要的库
2
import numpy as np
3
import matplotlib.pyplot as plt
4
​
5
# 解决中文显示问题
6
plt.rcParams['font.sans-serif'] = ['SimHei']
7
plt.rcParams['axes.unicode_minus'] = False
8
​
9
# 生成所需的数据
10
X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
11
C, S = np.cos(X), np.sin(X)
12
​
13
# 绘图
14
plt.plot(X, C, label='sin')
15
plt.plot(X, S, label='cos')
16
​
17
# 设置横轴的上下限
18
plt.xlim(-4, 4)
19
plt.ylim(-1, 1)
20
​
21
# 设置图例的函数
22
plt.legend(loc="upper left")  # upper lower / right left
23
​
24
# 标题
25
plt.title("正弦余弦图像")
26
​
27
# 显示（没有这个就无法显示出来）
28
plt.show()

• X 是一个 numpy 数组，包含了从 −π 到 +π 等间隔的 256 个值。
• C 和 S 则分别是这 256 个值对应的余弦和正弦函数值组成的 numpy 数组。
• plot函数
• xlim / ylim函数
• legend函数

plot函数

函数功能：

展现变量的趋势变化。

函数语法：

1
1
plt.plot(x, y, ls="-", lw=2, label=“plot figure”)

参数说明：

y: y轴上的数值

ls：折线图的线条风格（'-', '–', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted'）

lw：折线图的线条宽度

label：标记图内容的标签文本（需要结合legend使用）

注意：上面格式中单引号和双引号可以相互替换

legend函数

函数功能：

设置图例的字体、大小、颜色等属性，制定个性化。

函数语法：

1
1
plt.legend(loc="upper left")

参数说明：

loc：指代地理位置(upper lower / right left)

其余参数见：legend参数详解

注意：如果在plot设置了label参数，需要加上legend函数，才可以显示label。

03 散点图

1 plot绘制

13
1
# 导入需要的包
2
import matplotlib.pyplot as plt
3
import numpy as np
4
​
5
# 所需数据
6
x = np.random.randn(100)
7
y = np.random.randn(100)
8
​
9
# 画图
10
plt.plot(x, y, '.')
11
​
12
# 显示
13
plt.show()

2 scatter绘制

13
1
# 引入所需的库
2
import matplotlib.pyplot as plt
3
import numpy as np
4
​
5
# 生成数据
6
a = np.random.randn(100)
7
b = np.random.randn(100)
8
​
9
# 绘图
10
plt.scatter(a, b)
11
​
12
# 显示
13
plt.show()

scatter函数

函数功能：

根据x, y坐标，绘制散点；可更改点的颜色（c）、大小（s）、形状（marker）等

函数语法：

1
1
plt.scatter(x, y, s=None, c=None, marker=None, cmap=None)

参数说明：

x：指定 X 轴数据。

y：指定 Y 轴数据。

s：指定散点的大小。

c：指定散点的颜色。

alpha：指定散点的透明度。

linewidths：指定散点边框线的宽度。

edgecolors：指定散点边框的颜色。

marker：指定散点的图形样式。

cmap：指定散点的颜色映射，会使用不同的颜色来区分散点的值。

其余参数见：scatter参数详解

与plot区别：scatter绘制散点，plot绘制经过点的曲线。

简单的散点图，用plot方法绘制速度会更快，scatter方法则慢一点，所以只有当颜色和大小超过了一定数量时，才推荐使用scatter方法。

04 气泡图

易知，scatter更适合绘制复杂的气泡图。

27
1
# 引入所需库
2
import numpy as np
3
import matplotlib.pyplot as plt
4
​
5
# 生成数据
6
x = np.random.randn(10)
7
y = np.random.randn(10)
8
s = 40 * np.arange(10)
9
c = np.random.choice(np.arange(4), 10)
10
​
11
# 画图
12
fig, ax = plt.subplots()
13
scatter = ax.scatter(x=x, y=y, s=s, c=c)
14
​
15
# 气泡分类图例
16
legend1 = ax.legend(*scatter.legend_elements(prop='colors'), 
17
                    loc='upper left', title='colors',
18
                    bbox_to_anchor=(1, 0, 0.5, 1))
19
ax.add_artist(legend1)
20
​
21
# 气泡大小图例
22
legend2 = ax.legend(*scatter.legend_elements(prop='sizes', num=6), 
23
                    loc='lower left', title='sizes',
24
                    bbox_to_anchor=(1, 0, 0.5, 1))
25
​
26
# 显示图
27
plt.show()

scatter.legend_elements函数

scatter函数的返回值为一个PathCollections对象，通过其legend_elements方法，可以获得绘制图例所需的信息.

1. 颜色图例

legend_elements方法默认返回的就是colors的信息，可以直接用于绘制图例，代码如下

10
1
import numpy as np
2
import matplotlib.pyplot as plt
3
​
4
x = np.random.randn(10)
5
y = np.random.randn(10)
6
s = 40 * np.arange(10)
7
c = np.random.choice(np.arange(4), 10)
8
scatter = plt.scatter(x=x, y=y, s=s, c=c)
9
plt.legend(*scatter.legend_elements())
10
plt.show()

注意，其中*号是必须的，上述代码会将所有颜色都显示在图例上，输出结果如下

当颜色的值为连续型变量时，采用colorbar的图例更加直观，代码如下

12
1
import numpy as np
2
import matplotlib.pyplot as plt
3
​
4
x = np.random.randn(10)
5
y = np.random.randn(10)
6
s = 40 * np.arange(10)
7
c = np.random.choice(np.arange(4), 10)
8
​
9
scatter = plt.scatter(x=x, y=y, s=s, c=c)
10
plt.colorbar(scatter)
11
​
12
plt.show()

输出结果如下

2. 点的大小图例

legend_elements方法是有很多参数可以调整的，其中prop参数指定返回的信息，有两种取值，默认是colors, 表示返回的是点的颜色信息，取值为sizes时，返回的是点的大小信息。另外还有一个参数是num, 当图例的取值为连续型时，num指定了图例上展示的点的个数，用法如下

12
1
import numpy as np
2
import matplotlib.pyplot as plt
3
​
4
x = np.random.randn(10)
5
y = np.random.randn(10)
6
s = 40 * np.arange(10)
7
c = np.random.choice(np.arange(4), 10)
8
​
9
scatter = plt.scatter(x=x, y=y, s=s, c=c)
10
plt.legend(*scatter.legend_elements(prop='sizes', num=6))
11
​
12
plt.show()

输出结果如下

3. 组合图例

上述的可视化效果都比较简单，通过matplotlib.pyplot就可以搞定了，对于图例的组合，需要借助axes来实现，代码如下

19
1
import numpy as np
2
import matplotlib.pyplot as plt
3
​
4
x = np.random.randn(10)
5
y = np.random.randn(10)
6
s = 40 * np.arange(10)
7
c = np.random.choice(np.arange(4), 10)
8
​
9
fig, ax = plt.subplots()
10
scatter = ax.scatter(x=x, y=y, s=s, c=c)
11
legend1 = ax.legend(*scatter.legend_elements(prop='colors'), 
12
                    loc='upper left', title='colors',
13
                    bbox_to_anchor=(1, 0, 0.5, 1))
14
ax.add_artist(legend1)
15
legend2 = ax.legend(*scatter.legend_elements(prop='sizes', num=6), 
16
                    loc='lower left', title='sizes',
17
                    bbox_to_anchor=(1, 0, 0.5, 1))
18
​
19
plt.show()

输出结果如下

从这里也可以看出，对于简单的图片展示，pyplot模块为我们提供了便利，但是复杂的图形组合，还是需要用axes来实现。

05 参考文献

1. matplotlib基础绘图命令之scatter
2. 什么是气泡图？怎样用Python绘制？怎么用？终于有人讲明白了
3. 用python的Matplotlib库画散点图、气泡图和箱线图
4. Python Matplotlib.axes.Axes.add_artist()用法及代码示例
5. 在Python中用matplotlib作图时，若多个子图的图例相同，那怎样将该图例在总图上显示出来？
6. Matplotlib 教程