MATPLOTLIB.PYPLOT.SCATTER() EN PYTHON

Matplotlib se présente comme une bibliothèque étendue en Python, offrant la possibilité de générer des visualisations statiques, animées et interactives. Matplotlib.pyplot.scatter() en Python s'étend à la création de divers tracés tels que des nuages de points, des graphiques à barres, des diagrammes circulaires, des tracés linéaires, des histogrammes, des tracés 3D, etc.

Pour une compréhension plus approfondie, des informations supplémentaires peuvent être trouvées dans le guide intitulé Python Matplotlib – Un aperçu .

Qu'est-ce que Matplotlib.pyplot.scatter() ?

Le matplotlib.pyplot.scatter() les tracés servent d'outil visuel pour explorer et analyser les relations entre les variables, en utilisant des points pour représenter la connexion entre elles. La bibliothèque matplotlib fournit le dispersion() méthode, spécialement conçue pour créer des nuages de points. Ces graphiques contribuent à illustrer les interdépendances entre les variables et la manière dont les modifications d'une variable peuvent en influencer une autre.

Syntaxe : matplotlib.pyplot.scatter(x_axis_data, y_axis_data, s=Aucun, c=Aucun, marqueur=Aucun, cmap=Aucun, vmin=Aucun, vmax=Aucun, alpha=Aucun, linewidths=Aucun, edgecolors=Aucun)

Paramètres:

x_axis_data> : Un tableau contenant des données pour l'axe des x.matplotlib

s> : Taille du marqueur, qui peut être un scalaire ou un tableau de taille égale à la taille de x ou y.

c> : Couleur de la séquence de couleurs pour les marqueurs.

marker> : Style de marqueur.

cmap> : Nom de la palette de couleurs.

linewidths> : Largeur de la bordure du marqueur.

edgecolor> : Couleur de la bordure du marqueur.

alpha> : Valeur de fusion, comprise entre 0 (transparent) et 1 (opaque).

À l'exception de x_axis_data> et y_axis_data> , tous les autres paramètres sont facultatifs et leurs valeurs par défaut sont définies sur Aucun. Les exemples de nuages de points ci-dessous démontrent la polyvalence de la méthode scatter() en présentant diverses combinaisons de ces paramètres facultatifs.

Il existe différentes manières de créer des tracés en utilisant matplotlib.pyplot.scatter() en Python. Il existe quelques exemples qui illustrent le matplotlib. pyplot.scatter() fonctionner dans matplotlib.plot :

Nuage de points de base
Nuage de points avec plusieurs ensembles de données
Graphique à bulles
Nuage de points personnalisé

Nuage de points dans Matplotlib

En important matpltlib. plot (), nous avons créé un nuage de points. Il définit les coordonnées x et y, puis trace les points en bleu et affiche le tracé.

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()>

pour la boucle dans bash

Sortir :

Nuage de points de base

Tracer plusieurs ensembles de données sur un nuage de points

Le code ci-dessous génère un nuage de points présentant deux ensembles de données distincts, chacun avec son ensemble de coordonnées x et y. Le code utilise différents marqueurs, couleurs et options de style pour une visualisation améliorée.

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()>

comparaison du lion et du tigre

Sortir :

Nuage de points avec plusieurs ensembles de données

Tracés à bulles dans Matplotlib

Ce code génère un graphique à bulles à l'aide de Matplotlib. Il trace des points avec des coordonnées x et y spécifiées, chacun représenté par une bulle dont la taille est déterminée par le bubble_sizes> liste. Le graphique est personnalisé pour la transparence, la couleur des bords et la largeur des lignes. Enfin, il affiche le tracé avec un titre et des étiquettes d'axe.

Python3

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()>

Sortir :

couverture du relevé

Graphique à bulles

Personnaliser un nuage de points Matplotlib

En important Matplotlib, nous créons un nuage de points personnalisé en utilisant Matplotlib et NumPy . Il génère des données aléatoires pour les coordonnées x et y, les couleurs et les tailles. Le nuage de points est ensuite créé avec des propriétés personnalisées telles que la couleur, la taille, la transparence et la palette de couleurs. Le tracé comprend un titre, des étiquettes d’axe et une échelle d’intensité des couleurs. Enfin, le tracé s'affiche

Python3

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()>

java math.min

Sortir :

Nuage de points personnalisé

Conclusion

En conclusion, matplotlib.pyplot.scatter()> Python est un outil polyvalent et puissant pour visualiser les relations entre les variables via des nuages de points. Sa flexibilité permet la personnalisation des marqueurs, des couleurs, des tailles et d'autres propriétés, offrant ainsi un moyen dynamique de représenter des modèles de données complexes. Qu'il s'agisse d'une analyse exploratoire de base ou d'une interprétation détaillée de données, cette fonction joue un rôle crucial dans la création de nuages de points informatifs et visuellement attrayants dans l'environnement de programmation Python.