散点图是数据探索的常用工具，一般用来查看数据分布；

在回归线性拟合和聚类建模中都可以方便的查看拟合结果或者是分类结果。

示例如下：

得到的图如下：

python中的matplotlib库为散点图提供了scatter函数

x,y 形如shape(n,)的数组，可选值，

s 点的大小（也就是面积）默认20

c 点的颜色或颜色序列，默认蓝色。其它如c = 'r' (red); c = 'g' (green); c = 'k' (black) ; c = 'y'(yellow)

marker 形状，可选值，默认是圆，也可是'*'，'#'，'>'，'+'等等

alpha：标量，可选，默认值：无， 0（透明）和1（不透明）之间的alpha混合值

edgecolors，顾名思义，边缘颜色或颜色序列，可选值，默认值：None

解决python3中无法显示中文标签或者正负号的内容

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

实例：Iris鸢尾花数据探索

from sklearn import datasets,metricsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltdatas = datasets.load_iris()x = datas.data[:,2:4]y = datas.targetprint('散点图，查看分布趋势')plt.scatter(x[:,0],x[:,1],c='red',marker='o',label='see') #生成散点图plt.xlabel('petal length') #x轴标签plt.ylabel('petal width') #y轴标签#plt.legend(loc=2)plt.show()

数据探索图：

聚类分析之后的类别展示

centers=kmeans.cluster_centers_ #聚类中心y_kmeans=kmeans.predict(x) #预测值plt.scatter(x[:,0],x[:,1],c=y_kmeans,marker='*',s=50,cmap='viridis')plt.scatter(centers[:,0],centers[:,1],c='red',s=200,alpha=0.5)plt.show()

注：在显示聚类类别时，此时的参数c为类别数组，这样会自动生成和类别数目相等且颜色不一样的散点分布图分布图

3D散点图

import matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D #导入3D模块import numpy as npfig=plt.figure()ax = Axes3D(fig)x=np.random.randint(1,1000,1000)y=np.random.randint(1,1000,1000)z=np.random.randint(1,1000,1000)ax.scatter(x,y,z,marker='*')ax.set_xlabel('X label')ax.set_ylabel('Y label')ax.set_zlabel('Z label')plt.show()

如图：

根据方程展示3D散点图，代码如下：

如图：