Matplotlib里有两种画散点图的方法，一种是用ax.plot画，一种是用ax.scatter画。
一. 用ax.plot画
ax.plot(x,y,marker="o",color="black")
二. 用ax.scatter画
ax.scatter(x,y,marker="o",s=sizes,c=colors)
ax.plot和ax.scatter的区别：
ax.plot：各散点彼此复制，因此整个数据集中所有的点只需配置一次颜色和大小。对大型数据集而言，ax.plot方法效率更高。
ax.scatter：灵活性高，可以单独控制每个散点，使其具有不同的属性（大小，填充颜色，边框颜色等）。
下面利用Nathan Yau所著的《鲜活的数据：数据可视化指南》一书中的数据，学习画图。
数据地址：http://datasets.flowingdata.com/flowingdata_subscribers.csv （用于散点图）
http://datasets.flowingdata.com/crimeRatesByState2005.csv（用于气泡图）
准备工作：先导入matplotlib和pandas，用pandas读取csv文件，然后创建一个图像和一个坐标轴
import pandas as pd from matplotlib import pyplot as plt subscriber=pd.read_csv(r"http://datasets.flowingdata.com/flowingdata_subscribers.csv")fig,ax=plt.subplots()
让我们先看看第一个数据文件的前5行：
Date Subscribers Reach Item Views Hits 0 01-01-2010 25047 4627 9682 27225 1 01-02-2010 25204 1676 5434 28042 2 01-03-2010 25491 1485 6318 29824 3 01-04-2010 26503 6290 17238 48911 4 01-05-2010 26654 6544 16224 45521
我们把文件中的订阅人数根据日期的推进画出来：
import pandas as pd
from matplotlib import pyplot as plt
subscriber=pd.read_csv(r"http://datasets.flowingdata.com/flowingdata_subscribers.csv")
fig,ax=plt.subplots()
time=[pd.to_datetime(i) for i in subscriber["Date"]]
ax.plot(time,subscriber["Subscribers"],"o",color="blue")
ax.set(xlabel="Date",ylabel="Number of subsribers")
ax.set_title("Growth of subscribers --- Jan 2010")
ax.annotate("2 days where \nit went wrong",xy=(0.43,0.06),xycoords=‘axes fraction‘, xytext=(0.56,0.1),textcoords=‘axes fraction‘, arrowprops=dict(facecolor=‘black‘, shrink=0.05))
ax.annotate("25047",xy=(0.046,0.8),xycoords=‘axes fraction‘, xytext=(0.004,0.68),textcoords=‘axes fraction‘, arrowprops=dict(arrowstyle="-"))
ax.annotate("27611\n(+10%)",xy=(0.955,0.92),xycoords=‘axes fraction‘, xytext=(0.905,0.76),textcoords=‘axes fraction‘, arrowprops=dict(arrowstyle="-"))
ax.spines["left"].set_visible(False)
ax.spines["right"].set_visible(False)
ax.spines["top"].set_visible(False)
plt.show()
图像如下：
可以看到有两个点情况异常，由于原因未知，添加注释进行说明。
接下来看看第二个数据文件的前5行：
state murder forcible_rape robbery aggravated_assault 0 United States 5.6 31.7 140.7 291.1 1 Alabama 8.2 34.3 141.4 247.8 2 Alaska 4.8 81.1 80.9 465.1 3 Arizona 7.5 33.8 144.4 327.4 4 Arkansas 6.7 42.9 91.1 386.8 burglary larceny_theft motor_vehicle_theft population 0 726.7 2286.3 416.7 295753151 1 953.8 2650.0 288.3 4545049 2 622.5 2599.1 391.0 669488 3 948.4 2965.2 924.4 5974834 4 1084.6 2711.2 262.1 2776221
这是美国各州各种犯罪行为的发生率（每10万人口）。
让我们看看各州谋杀率和入室盗窃率之间是否有关联，同时把各州的人口也显示出来，看看人口多的州是否这两种犯罪率同时也高。
首先把第一行United States的平均数据去除，然后把population，state，murder，burglary这几项数据分别拣出。在scatter命令中，以murder为x轴，burglary为y轴，s（气泡面积）按population调整，alpha为透明度。其中有一个州的谋杀率特别高，因此把x轴的上下限调整一下，以便更好地看出谋杀率和入室盗窃率之间的关系。这样，一个三维图像就画了出来。
import pandas as pd
from matplotlib import pyplot as plt
crime=pd.read_csv(r"http://datasets.flowingdata.com/crimeRatesByState2005.csv")
fig,ax=plt.subplots(figsize=(10,5))
crime=crime[1:]
population=crime["population"].values
state=crime["state"].values
murder=crime["murder"].values
burglary=crime["burglary"].values
ax.scatter(murder,burglary,s=population/40000,alpha=0.6)
ax.set(xlim=(0,11),ylim=(200,1300), xlabel="Murder per 100,000 population", ylabel="Burglary per 100,000 population", title="Murder & Burglary in USA")
for i,j,z in zip(murder,burglary,state):
ax.text(x=i-0.3,y=j-0.1,s=z,fontsize=7)
ax.spines["top"].set_visible(False)
ax.spines["left"].set_visible(False)
ax.spines["right"].set_visible(False)
plt.show()
图像如下：
可以看出谋杀率和入室盗窃率之间是呈正比关系的，但是人口多的州并非这两种犯罪率就高。
此外，可以通过设置scatter命令中的c（颜色）参数，进而来展示四维图像。
原文地址：https://www.cnblogs.com/HuZihu/p/9418789.html