Matplotlib 散点图（Scatter）完全指南

散点图是 数据分析、科学可视化、机器学习结果展示 的核心工具。本教程带你从入门到 发表级，掌握 基础绘制、颜色/大小/形状映射、气泡图、3D散点、动画、交互式标注、聚类可视化 等全部技巧。

一、基本散点图

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.random.randn(100)
y = np.random.randn(100)

plt.scatter(x, y)
plt.show()

二、核心参数详解

plt.scatter(x, y,
            s=50,           # 点大小
            c='blue',       # 颜色
            marker='o',     # 标记形状
            alpha=0.7,      # 透明度
            edgecolors='k', # 边框颜色
            linewidths=1)   # 边框宽度

三、颜色映射（Color Mapping）—— 第四维数据

z = np.random.rand(100)  # 第三维数据

plt.scatter(x, y, c=z, cmap='viridis', s=60)
plt.colorbar(label='Z 值')  # 显示颜色条
plt.show()

常用 `cmap` 配色方案

名称	用途
`'viridis'`	默认推荐，色盲友好
`'plasma'`	高对比
`'inferno'`	深色背景
`'cividis'`	色盲优化
`'coolwarm'`	发散数据
`'Set1'`	分类数据

plt.scatter(x, y, c=z, cmap='plasma', s=80, edgecolors='white', linewidth=0.5)

四、大小映射（Size Mapping）—— 第五维数据（气泡图）

size = np.random.rand(100) * 1000  # 大小范围 0~1000

plt.scatter(x, y, s=size, alpha=0.6, c='red')
plt.title('气泡图：点越大，值越大')
plt.show()

综合：颜色 + 大小映射

plt.scatter(x, y, 
            s=size, 
            c=z, 
            cmap='viridis', 
            alpha=0.7,
            edgecolors='k', 
            linewidth=0.5)

plt.colorbar(label='强度')
plt.title('气泡图：颜色=强度，大小=体积')
plt.show()

五、标记样式（Marker）

标记	代码	说明
圆	`'o'`	默认
方	`'s'`	方形
三角	`'^'`, `'v'`, `'<'`, `'>'`	方向
星	`'*'`	醒目
十字	`'+'`, `'x'`	精确定位
菱形	`'D'`	分类

markers = ['o', 's', '^', 'D', '*']
colors = ['red', 'blue', 'green', 'purple', 'orange']

for i, (m, c) in enumerate(zip(markers, colors)):
    plt.scatter(x[i*20:(i+1)*20], y[i*20:(i+1)*20], 
                marker=m, c=c, s=80, label=f'组 {i+1}')

plt.legend()
plt.show()

六、面向对象方式（推荐）

fig, ax = plt.subplots(figsize=(10, 8))

sc = ax.scatter(x, y, 
                c=z, s=size, 
                cmap='plasma', 
                alpha=0.8, 
                edgecolors='white',
                linewidth=0.5)

ax.set_xlabel('X 轴', fontsize=12)
ax.set_ylabel('Y 轴', fontsize=12)
ax.set_title('专业散点图', fontsize=16, fontweight='bold')

plt.colorbar(sc, label='强度', shrink=0.8)
plt.grid(True, alpha=0.3)
plt.show()

七、3D 散点图

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

ax.scatter(x, y, z, 
           c=z, cmap='viridis', 
           s=60, depthshade=True)

ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.title('3D 散点图')
plt.show()

八、标注数据点（Annotation）

# 标注前3个最大点
idx = np.argsort(z)[-3:]  # 最大3个

for i in idx:
    plt.annotate(f'({x[i]:.2f}, {y[i]:.2f})',
                 (x[i], y[i]),
                 xytext=(5, 5), textcoords='offset points',
                 fontsize=9, color='red',
                 arrowprops=dict(arrowstyle='->', color='red'))

plt.scatter(x, y, c=z, cmap='viridis')
plt.colorbar()
plt.show()

九、聚类可视化（KMeans 示例）

from sklearn.cluster import KMeans

# 模拟聚类数据
X = np.random.randn(300, 2)
X[:100] += 3
X[100:200] += [3, -3]
X[200:] += [-3, -2]

# 聚类
kmeans = KMeans(n_clusters=3).fit(X)
labels = kmeans.labels_
centers = kmeans.cluster_centers_

# 绘图
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='Set1', s=50, alpha=0.8)
plt.scatter(centers[:, 0], centers[:, 1], 
            c='black', marker='x', s=200, linewidth=3, label='中心')

for i, center in enumerate(centers):
    plt.annotate(f'中心 {i}', center, xytext=(5,5), 
                 textcoords='offset points', fontweight='bold')

plt.legend()
plt.title('KMeans 聚类散点图')
plt.show()

十、完整专业示例（论文级）

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('seaborn-v0_8')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 生成模拟数据
np.random.seed(42)
n = 200
x = np.random.randn(n)
y = 1.5 * x + np.random.randn(n) * 0.8
size = np.random.rand(n) * 800 + 100
intensity = np.sqrt(x**2 + y**2)
group = (x > 0).astype(int) + (y > 0).astype(int) * 2  # 4个象限分组

# 创建画布
fig, ax = plt.subplots(figsize=(12, 9))

# 散点图：颜色=强度，大小=体积，形状=象限
markers = ['o', 's', '^', 'D']
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']

for g in range(4):
    mask = group == g
    sc = ax.scatter(x[mask], y[mask],
                    s=size[mask],
                    c=[intensity[mask]], cmap='plasma',
                    marker=markers[g],
                    edgecolors='white', linewidth=0.8,
                    alpha=0.85,
                    label=f'第{g+1}象限')

# 颜色条
cbar = plt.colorbar(sc, shrink=0.8, pad=0.02)
cbar.set_label('强度 (√(x²+y²))', fontsize=12)

# 拟合线
m, b = np.polyfit(x, y, 1)
ax.plot(x, m*x + b, 'k--', linewidth=2, label=f'拟合线: y={m:.2f}x+{b:.2f}')

# 美化
ax.set_title('多维散点图专业展示', fontsize=18, fontweight='bold', pad=20)
ax.set_xlabel('特征 X', fontsize=14)
ax.set_ylabel('特征 Y', fontsize=14)
ax.legend(loc='upper left', frameon=True, fancybox=True, shadow=True)

# 网格
ax.grid(True, alpha=0.3, linestyle='--')
ax.set_facecolor('#f8f9fa')

# 标注极端点
max_idx = np.argmax(intensity)
ax.annotate(f'最强点\n({x[max_idx]:.2f}, {y[max_idx]:.2f})',
            (x[max_idx], y[max_idx]),
            xytext=(20, -20), textcoords='offset points',
            fontsize=10, color='red', fontweight='bold',
            arrowprops=dict(arrowstyle='->', color='red', lw=1.5),
            bbox=dict(boxstyle="round,pad=0.3", facecolor='yellow', alpha=0.7))

plt.tight_layout()
plt.savefig('scatter_pro.png', dpi=300, bbox_inches='tight', facecolor='white')
plt.show()

十一、散点图速查表（收藏用）

# 基础
plt.scatter(x, y)

# 颜色映射
plt.scatter(x, y, c=z, cmap='viridis')
plt.colorbar()

# 大小映射
plt.scatter(x, y, s=size)

# 综合
plt.scatter(x, y, s=size, c=z, cmap='plasma', alpha=0.7)

# 3D
ax.scatter(x, y, z, c=z, cmap='viridis')

# 标注
plt.annotate('文本', (x0,y0), xytext=(dx,dy), textcoords='offset points')

# 拟合线
m, b = np.polyfit(x, y, 1)
plt.plot(x, m*x + b, 'r--')

十二、常见问题解决

问题	解决方案
点重叠看不清	`alpha=0.5~0.7` + `edgecolors='white'`
颜色条太长	`plt.colorbar(..., shrink=0.8)`
点太大挡住	`s=size*0.1` 缩放
3D 看不清	旋转视角 `ax.view_init(30, 45)`
保存裁剪	`plt.savefig(..., bbox_inches='tight')`

十三、推荐配色 + 标记组合

用途	推荐
论文	`cmap='viridis'`, `marker='o'`, `edgecolors='k'`
PPT	`cmap='plasma'`, `s=100`, `alpha=0.8`
分类	`cmap='Set1'`, 不同 `marker`
气泡图	`c='gray'`, `s=size`, `alpha=0.6`

官方文档

散点图 API：https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.scatter.html
3D 散点：https://matplotlib.org/stable/gallery/mplot3d/scatter3d.html
示例图库：https://matplotlib.org/stable/gallery/shapes_and_collections/scatter.html

总结：三步打造专业散点图

# 1. 数据准备（x, y, c, s）
# 2. 绘制
sc = ax.scatter(x, y, c=c, s=s, cmap='viridis', edgecolors='white')

# 3. 美化
plt.colorbar(sc, label='强度')
ax.grid(True, alpha=0.3)
ax.set_title('标题', fontsize=16)

一键生成气泡图：

plt.scatter(x, y, s=np.random.rand(100)*1000, c=np.random.rand(100), 
            cmap='coolwarm', alpha=0.7, edgecolors='k')
plt.colorbar()
plt.show()

需要我为你：

生成 10种经典散点图模板？
制作 Jupyter 散点图交互小工具（滑块控制大小/颜色）？
输出 LaTeX/PPT 可用代码？

告诉我你的需求！

Matplotlib 散点图

Matplotlib 散点图（Scatter）完全指南

一、基本散点图

二、核心参数详解

三、颜色映射（Color Mapping）—— 第四维数据

常用 `cmap` 配色方案

四、大小映射（Size Mapping）—— 第五维数据（气泡图）

综合：颜色 + 大小映射

五、标记样式（Marker）

六、面向对象方式（推荐）

七、3D 散点图

八、标注数据点（Annotation）

九、聚类可视化（KMeans 示例）

十、完整专业示例（论文级）

十一、散点图速查表（收藏用）

十二、常见问题解决

十三、推荐配色 + 标记组合

官方文档

总结：三步打造专业散点图

likuolei

发表回复取消回复

归档

分类

2025 年 11 月
一	二	三	四	五	六	日
					1	2
3	4	5	6	7	8	9
10	11	12	13	14	15	16
17	18	19	20	21	22	23
24	25	26	27	28	29	30

Matplotlib 散点图（Scatter）完全指南

一、基本散点图

二、核心参数详解

三、颜色映射（Color Mapping）—— 第四维数据

常用 cmap 配色方案

四、大小映射（Size Mapping）—— 第五维数据（气泡图）

综合：颜色 + 大小映射

五、标记样式（Marker）

六、面向对象方式（推荐）

七、3D 散点图

八、标注数据点（Annotation）

九、聚类可视化（KMeans 示例）

十、完整专业示例（论文级）

十一、散点图速查表（收藏用）

十二、常见问题解决

十三、推荐配色 + 标记组合

官方文档

总结：三步打造专业散点图

likuolei

发表回复 取消回复

相关文章

常用 `cmap` 配色方案

发表回复取消回复