一、背景介绍
散点图是一种常见的数据可视化方式，在数据分析、机器学习等领域都有着广泛的应用。Python作为一种强大的编程语言，本身就集成了各种绘图库，可以轻松地绘制各种类型的图表，包括散点图。
二、绘制简单散点图
首先，我们来看一下如何在Python中绘制一个简单的散点图。我们可以使用matplotlib库，该库是Python中最常用的数据可视化库之一。下面是一个简单的例子代码：
import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [6, 7, 8, 9, 10] plt.scatter(x, y) plt.show()
运行此代码，我们可以得到一张简单的散点图，如下所示：
三、自定义散点图样式
在上一个例子中，我们使用了默认的散点图样式。但是，当我们需要在实际的数据分析中，往往需要对散点图的大小、颜色等进行自定义。下面是一个带有不同颜色和大小的点的例子代码：
import matplotlib.pyplot as plt import numpy as np x = [1, 2, 3, 4, 5] y = [6, 7, 8, 9, 10] colors = [0, 10, 20, 30, 40] # 颜色列表 sizes = [20, 40, 60, 80, 100] # 大小列表 plt.scatter(x, y, c=colors, s=sizes) plt.colorbar() # 显示颜色条 plt.show()
运行此代码，我们可以得到如下所示的散点图：
从图中我们可以看到，每个点的大小和颜色都不相同，这使得图表更具有可读性。
四、控制轴范围和标签
在实际应用中，往往需要对图表的轴范围和标签进行控制，以更好地呈现数据。下面是一个控制轴范围和标签的例子代码：
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randint(1, 50, size=50)
y = np.random.randint(1, 50, size=50)
plt.scatter(x, y)
plt.xlim(0, 60) # X轴范围
plt.ylim(0, 60) # Y轴范围
plt.xlabel("X轴标签")
plt.ylabel("Y轴标签")
plt.title("散点图示例")
plt.show()
运行此代码，我们可以得到如下所示的散点图，其中X轴和Y轴都有对应的标签，轴范围也被控制在了0~60之间：
五、实现交互式散点图
最后，我们可以使用bokeh库实现交互式散点图。相比于静态散点图，交互式散点图可以让用户自由地对数据进行探索和筛选。下面是一个使用bokeh库绘制交互式散点图的例子代码：
from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource
import numpy as np
# 生成数据
x = np.random.randint(1, 50, size=50)
y = np.random.randint(1, 50, size=50)
colors = ["red" if i<30 else "blue" for i in range(len(x))] # 颜色列表
# 创建ColumnDataSource对象
source = ColumnDataSource(data=dict(
x=x,
y=y,
colors=colors,
))
# 定义绘图属性
p = figure(title="交互式散点图示例", x_range=(0, 60), y_range=(0, 60))
p.circle('x', 'y', color='colors', legend_label='散点图', source=source, size=10)
# 输出文件
output_file("interactive-scatter.html")
# 显示图表
show(p)
运行此代码，我们可以在默认浏览器中打开一个交互式散点图，如下所示：
在这个图表中，我们可以用鼠标悬停在每个散点上查看该点的详细信息，并可以使用右上角的工具栏对图表进行放大、缩小、保存等操作。
六、总结
本文介绍了Python中绘制散点图的基本方法，并探讨了如何自定义散点图的样式、控制轴范围和标签、以及如何使用bokeh库实现交互式散点图。散点图作为一种常见的数据可视化方式，能够直观地呈现数据间的关系，对于数据分析和机器学习等领域有着广泛的应用。
