Matplotlib scatter() 函数

scatter() 用于绘制散点图，每个数据点可独立设置大小、颜色和透明度。

与 plot() 不同，scatter() 允许每个点有不同的外观属性，适合展示三维或四维数据的分布关系。

函数定义

pyplot 接口

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker='o', cmap=None,
    norm=None, vmin=None, vmax=None, alpha=None, linewidths=None,
    edgecolors=None, **kwargs)

Axes 接口

Axes.scatter(x, y, s=None, c=None, marker='o', cmap=None, norm=None,
    vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None,
    **kwargs)

参数说明

参数	类型	说明
x, y	array-like	数据点的 x 和 y 坐标（必填）
s	float 或 array-like	点的大小，可以是标量（所有点相同）或数组（每个点不同大小）
c	color 或 array-like	点的颜色，可以是固定颜色或数值数组（配合 cmap 映射颜色）
marker	str	标记形状：'o'(圆)、's'(方块)、'^'(上三角)、'v'(下三角)、'D'(菱形)、'*'(星)、'+'(加号)、'x'(叉号) 等，默认 'o'
cmap	str 或 Colormap	颜色映射，当 c 是数值数组时使用，如 'viridis', 'plasma'
norm	Normalize	数据到颜色映射的归一化方式
vmin, vmax	float	颜色映射的数据范围，超出范围的点将被裁剪
alpha	float 或 array-like	透明度，0-1 之间
linewidths	float 或 array-like	点边缘线宽
edgecolors	color 或 array-like	点边缘颜色，'face' 使用填充色，'none' 无边缘
label	str	图例标签

scatter() 的核心优势在于 s、c、alpha 可以是与 x/y 等长的数组，这使得一张散点图可以同时展示 3-4 个维度的数据信息。

使用示例

示例 1：基本散点图

实例

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(42)
x = np.random.rand(50)
y = np.random.rand(50)

fig, ax = plt.subplots(layout='constrained')

ax.scatter(x, y, color='steelblue', edgecolors='white',
linewidth=0.5, s=80)
ax.set_title('Basic Scatter Plot')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.grid(True, alpha=0.3)
plt.show()

示例 2：大小和颜色都变化（展示多维数据）

实例

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
n = 100

# 四个维度的数据
x = np.random.rand(n) * 10 # 维度1: x 坐标
y = np.random.rand(n) * 10 # 维度2: y 坐标
colors = np.random.rand(n) * 100 # 维度3: 颜色（数值）
sizes = np.random.rand(n) * 300 # 维度4: 大小
alpha_values = np.random.rand(n) * 0.7 + 0.3 # 维度5: 透明度

fig, ax = plt.subplots(figsize=(8, 6), layout='constrained')

scatter = ax.scatter(x, y,
c=colors, # 颜色随数据变化
s=sizes, # 大小随数据变化
alpha=0.6, # 固定透明度
cmap='viridis', # 颜色映射
edgecolors='white',
linewidth=0.5)

# 添加颜色条
cbar = fig.colorbar(scatter, ax=ax)
cbar.set_label('Color Value')

ax.set_title('Multi-dimensional Scatter Plot')
ax.set_xlabel('X Coordinate')
ax.set_ylabel('Y Coordinate')
ax.grid(True, alpha=0.2)
plt.show()

示例 3：多组散点对比

实例

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)

# 生成三组不同分布的数据
group1_x = np.random.normal(2, 0.5, 100)
group1_y = np.random.normal(2, 0.5, 100)

group2_x = np.random.normal(6, 0.5, 100)
group2_y = np.random.normal(6, 0.5, 100)

group3_x = np.random.normal(4, 1.0, 100)
group3_y = np.random.normal(4, 1.0, 100)

fig, ax = plt.subplots(figsize=(8, 6), layout='constrained')

# 每组使用不同的颜色和标记
ax.scatter(group1_x, group1_y, c='#e74c3c', marker='o',
s=60, label='Group A (tight cluster)')
ax.scatter(group2_x, group2_y, c='#2ecc71', marker='s',
s=60, label='Group B (tight cluster)')
ax.scatter(group3_x, group3_y, c='#3498db', marker='^',
s=60, label='Group C (spread cluster)')

ax.set_title('Multi-group Scatter Comparison')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.legend()
ax.grid(True, alpha=0.2)
plt.show()

示例 4：带颜色条的散点图（气泡图）

实例

import matplotlib.pyplot as plt
import numpy as np

# 模拟数据：不同城市的人口、GDP 和所属区域
np.random.seed(42)
n = 30
population = np.random.randint(50, 500, n) # 人口（决定气泡大小）
gdp = np.random.randint(100, 1000, n) # GDP（决定颜色深浅）
region = np.random.choice(['North', 'South', 'East', 'West'], n)
x = np.random.rand(n) * 100
y = np.random.rand(n) * 100

fig, ax = plt.subplots(figsize=(9, 6), layout='constrained')

scatter = ax.scatter(x, y,
s=population, # 气泡大小 = 人口
c=gdp, # 气泡颜色 = GDP
cmap='YlOrRd', # 黄-橙-红颜色映射
alpha=0.7,
edgecolors='gray',
linewidth=0.5)

ax.set_title('Bubble Chart: City Population vs GDP')
ax.set_xlabel('X Coordinate')
ax.set_ylabel('Y Coordinate')

# 添加颜色条，标注为 GDP
cbar = fig.colorbar(scatter, ax=ax, label='GDP')
ax.grid(True, alpha=0.2)
plt.show()

常见问题

scatter() 和 plot() 的区别？

plot() 适用于折线图，所有点共享相同的颜色和标记样式，渲染效率高。

scatter() 适用于散点图，每个点可独立设置大小和颜色，但每个点都是独立 Artist，大数据量时较慢。

数据点很多（数万以上）时，优先考虑 plot() 配合指定标记来提升性能。

s 参数的单位是什么？

s 表示点的面积（单位为平方点 points^2），而非直径。

例如 s=100 和 s=400，后者面积是前者的 4 倍，直径约为前者的 2 倍。

Matplotlib 参考文档

返回顶部

菜鸟教程