散点图

① 基本散点图绘制
② 散点图颜色、大小设置方法
③ 不同符号的散点图

1. 基本散点图绘制

  1. import numpy as np
  2. import pandas as pd
  3. import matplotlib.pyplot as plt
  4. % matplotlib inline
  5.  
  6. import warnings
  7. warnings.filterwarnings('ignore')
  8. # 不发出警告
  9.  
  10. from bokeh.io import output_notebook
  11. output_notebook()
  12. # 导入notebook绘图模块
  13.  
  14. from bokeh.plotting import figure,show
  15. # 导入图表绘制、图标展示模块

p.circle()

  1. # 1、基本散点图绘制
  2.  
  3. s = pd.Series(np.random.randn(80))
  4. # 创建数据
  5.  
  6. p = figure(plot_width=600, plot_height=400)
  7. p.circle(s.index, s.values, # x,y值,也可以写成:x=s.index, y = s.values
  8. size=25, color="navy", alpha=0.5, # 点的大小、颜色、透明度(注意,这里的color是线+填充的颜色,同时线和填充可以分别上色,参数如下)
  9. fill_color = 'red',fill_alpha = 0.6, # 填充的颜色、透明度
  10. line_color = 'black',line_alpha = 0.8,line_dash = 'dashed',line_width = 2, # 点边线的颜色、透明度、虚线、宽度
  11. # 同时还有line_cap、line_dash_offset、line_join参数
  12. legend = 'scatter-circle', # 设置图例
  13. #radius = 2 # 设置点的半径,和size只能同时选一个
  14. )
  15. # 创建散点图,基本参数
  16. # bokeh对line和fill是同样的设置方法
  17.  
  18. p.legend.location = "bottom_right"
  19. # 设置图例位置
  20.  
  21. show(p)

2. 散点图不同 颜色上色/ 散点大小 的方法

两种为散点图颜色上色的方法 

  1. # 2、散点图不同 颜色上色/散点大小 的方法
  2. # ① 数据中有一列专门用于设置颜色 / 点大小
  3.  
  4. from bokeh.palettes import brewer
  5.  
  6. rng = np.random.RandomState(1)
  7. df = pd.DataFrame(rng.randn(100,2)*100,columns = ['A','B'])
  8. # 创建数据,有2列随机值

  9. df['size'] = rng.randint(10,30,100) # 设置点大小字段
  10.  
  11. # colormap1 = {1: 'red', 2: 'green', 3: 'blue'}
  12. # df['color1'] = [colormap1[x] for x in rng.randint(1,4,100)] # 调色盘1;
  13. df['color1'] = np.random.choice(['red', 'green', 'blue'], 100) #跟上面两行是一样的; 这两种都是在本身的数据中增加size和color1标签,再去绘制图标;
  14.  
  15. print(df.head())
  16.  
  17. p = figure(plot_width=600, plot_height=400)
  18. p.circle(df['A'], df['B'], # 设置散点图x,y值
  19. line_color = 'white', # 设置点边线为白色
  20. fill_color = df['color1'],fill_alpha = 0.5, # 设置内部填充颜色,这里用到了颜色字段
  21. size = df['size'] # 设置点大小,这里用到了点大小字段,按照size的随机数去设置点的大小
  22. )
  23.  
  24. show(p)

  1. n = 8
  2. colormap2 = brewer['Blues'][n]
  3. print(colormap2)
  4. df['color2'] = [colormap2[x] for x in rng.randint(0,n,100)] # 通过调色盘2的方式
  5. print(df.head())
  6. # # 设置颜色字段
  7. # # 通过字典/列表,识别颜色str
  8. # # 这里设置了两个调色盘,第二个为蓝色渐变
  9.  
  10. p = figure(plot_width=600, plot_height=400)
  11. p.circle(df['A'], df['B'], # 设置散点图x,y值
  12. line_color = 'white', # 设置点边线为白色
  13. fill_color = df['color2'],fill_alpha = 0.5, # 设置内部填充颜色,这里用到了颜色字段
  14. size = df['size'] # 设置点大小,这里用到了点大小字段,按照size的随机数去设置点的大小
  15. )
  16.  
  17. show(p)

  1. # 2、散点图不同 颜色上色/散点大小 的方法
  2. # ② 遍历数据分开做图
  3.  
  4. rng = np.random.RandomState(1)
  5. df = pd.DataFrame(rng.randn(100,2)*100,columns = ['A','B'])
  6. df['type'] = rng.randint(0,7,100)
  7. print(df.head())
  8. # 创建数据;type是做不同类别的一个分组
  9.  
  10. colors = ["red", "olive", "darkred", "goldenrod", "skyblue", "orange", "salmon"]
  11. # 创建颜色列表
  12.  
  13. p1 = figure(plot_width=600, plot_height=400)
  14. p2 = figure(plot_width=600, plot_height=400)
  15. p3 = figure(plot_width=600, plot_height=400)
  16. plst = [p1, p2, p3]
  17. # for t in df['type'].unique():
  18. for t,pi in zip(df['type'].unique()[:3], plst):
  19. #p = figure(plot_width=600, plot_height=400,tools = "pan,wheel_zoom,box_select,lasso_select,reset")
  20. pi.circle(df['A'][df['type'] == t], df['B'][df['type'] == t], # 设置散点图x,y值
  21. size = 20,alpha = 0.5,
  22. color = colors[t],
  23. legend = 'type%i' % t)
  24. show(pi)
  25.  
  26. # 通过分类设置颜色

3. 不同符号的散点图

  1. # 3、不同符号的散点图
  2. # asterisk(), circle(), circle_cross(), circle_x(), cross(), diamond(), diamond_cross(), inverted_triangle()
  3. # square(), square_cross(), square_x(), triangle(), x()
  4.  
  5. p = figure(plot_width=600, plot_height=400,x_range = [0,3], y_range = [0,7])
  6.  
  7. p.circle_cross(1, 1, size = 30, alpha = 0.5, legend = 'circle_cross')
  8. p.asterisk(1, 2, size = 30, alpha = 0.5, legend = 'asterisk')
  9. p.circle_x(1, 3, size = 30, alpha = 0.5, legend = 'circle_x')
  10. p.cross(1, 4, size = 30, alpha = 0.5, legend = 'cross')
  11. p.diamond(1, 5, size = 30, alpha = 0.5, legend = 'diamond')
  12. p.diamond_cross(1, 6, size = 30, alpha = 0.5, legend = 'diamond_cross')
  13. p.inverted_triangle(2, 1, size = 30, alpha = 0.5, legend = 'inverted_triangle')
  14. p.square(2, 2, size = 30, alpha = 0.5, legend = 'square')
  15. p.square_cross(2, 3, size = 30, alpha = 0.5, legend = 'square_cross')
  16. p.square_x(2, 4, size = 30, alpha = 0.5, legend = 'square_x')
  17. p.triangle(2, 5, size = 30, alpha = 0.5, legend = 'triangle')
  18. p.x(2, 6, size = 30, alpha = 0.5, legend = 'x')
  19.  
  20. p.legend.location = "bottom_right"
  21. # 设置图例位置
  22.  
  23. show(p)
  24. # 详细参数可参考文档:http://bokeh.pydata.org/en/latest/docs/reference/plotting.html#bokeh.plotting.figure.Figure.circle

Python交互图表可视化Bokeh:3. 散点图的更多相关文章

  1. Python交互图表可视化Bokeh:1. 可视交互化原理| 基本设置

    Bokeh pandas和matplotlib就可以直接出分析的图表了,最基本的出图方式.是面向数据分析过程中出图的工具:Seaborn相比matplotlib封装了一些对数据的组合和识别的功能:用S ...

  2. Python交互图表可视化Bokeh:5 柱状图| 堆叠图| 直方图

    柱状图/堆叠图/直方图 ① 单系列柱状图② 多系列柱状图③ 堆叠图④ 直方图 1.单系列柱状图 import numpy as np import pandas as pd import matplo ...

  3. Python交互图表可视化Bokeh:7. 工具栏

    ToolBar工具栏设置 ① 位置设置② 移动.放大缩小.存储.刷新③ 选择④ 提示框.十字线 1. 位置设置 import numpy as np import pandas as pd impor ...

  4. Python交互图表可视化Bokeh:6. 轴线| 浮动| 多图表

    绘图表达进阶操作 ① 轴线设置② 浮动设置③ 多图表设置 1. 轴线标签设置 设置字符串 import numpy as np import pandas as pd import matplotli ...

  5. Python交互图表可视化Bokeh:4. 折线图| 面积图

    折线图与面积图 ① 单线图.多线图② 面积图.堆叠面积图 1. 折线图--单线图 import numpy as np import pandas as pd import matplotlib.py ...

  6. Python交互图表可视化Bokeh:2. 辅助参数

    图表辅助参数设置 辅助标注.注释.矢量箭头 参考官方文档:https://bokeh.pydata.org/en/latest/docs/user_guide/annotations.html#col ...

  7. Python绘制六种可视化图表详解,三维图最炫酷!你觉得呢?

    Python绘制六种可视化图表详解,三维图最炫酷!你觉得呢? 可视化图表,有相当多种,但常见的也就下面几种,其他比较复杂一点,大都也是基于如下几种进行组合,变换出来的.对于初学者来说,很容易被这官网上 ...

  8. Python 数据图表工具的比较

    Python 的科学栈相当成熟,各种应用场景都有相关的模块,包括机器学习和数据分析.数据可视化是发现数据和展示结果的重要一环,只不过过去以来,相对于 R 这样的工具,发展还是落后一些. 幸运的是,过去 ...

  9. Python绘图与可视化

    Python有很多可视化工具,本篇只介绍Matplotlib. Matplotlib是一种2D的绘图库,它可以支持硬拷贝和跨系统的交互,它可以在Python脚本.IPython的交互环境下.Web应用 ...

随机推荐

  1. Day7--------------虚拟机网络服务

    1.桥接 连接到本地的网卡,把本机的网卡看作是虚拟交换机 ping ip地址 arping -i eth0 192.168.11.11 返回物理MAC地址             #可以检查是否有重复 ...

  2. 走进科学之揭开神秘的"零拷贝"

    前言 "零拷贝"这三个字,想必大家多多少少都有听过吧,这个技术在各种开源组件中都使用了,比如kafka,rocketmq,netty,nginx等等开源框架都在其中引用了这项技术. ...

  3. swift 实践- 10 -- UIProgressView

    import UIKit class ViewController: UIViewController { override func viewDidLoad() { super.viewDidLoa ...

  4. 查看MySQL版本的命令及常用命令

    Windows / Linux 系统 前提是已经正确安装了 MySQL,打开 Windows 系统中的命令行工具(Win + R --> 输入 cmd 并按下回车键)--> 输入命令: m ...

  5. Confluence 6 管理协同编辑 - 最大编辑者的限制

    我们限制为最多 12 个用户可以同时对一个页面进行编辑.这个意味着当一个页面已经有 12 个用户正在编辑了,13 个用户是不能进入编辑界面的,直到 12 个用户中有一个用户已经离开了. 系统管理员可以 ...

  6. Confluence 6 数据库整合的方法 2:针对有大量附件的运行实例

    设置准备 这个方法仅仅针对附件存储在文件系统中.如果你存储附件在数据库中,请参考 Attachment Storage Configuration 文档中的内容来找到如何在 2 种不同的文件存储方式之 ...

  7. Spark启动时的master参数以及Spark的部署方式

    我们在初始化SparkConf时,或者提交Spark任务时,都会有master参数需要设置,如下: conf = SparkConf().setAppName(appName).setMaster(m ...

  8. ionic3 使用html2canvas将数据导出为图片,并下载本地

    1.安装html2canvas npm install --save html2canvas 官方网站 https://html2canvas.hertzen.com/ 2.在需要的组件中引入html ...

  9. TabLayout和ViewPager

    这里就说下tablayout+viewpager的实现方式:tablayout是android5.0推出来的一个MaterialDesign风格的控件,是专门用来实现tab栏效果的:功能强大,使用方便 ...

  10. PyCharm+SVN

    首先电脑安装svn,并且确svn/bin下面有svn.exe文件 没有bin/svn.exe解决方法: 重新打开TortoiseSVN安装文件-Modify-Next后在command line cl ...