[ Matplotlib version: 3.1.3 ]
四、簡易散點圖
散點圖（scatter plot），不由線段連接，而是由獨立的點、圓圈或其他形狀構成。
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as np
（一）用plt.plot畫散點圖
簡易散點圖
x = np.linspace(0, 10, 30)
y = np.sin(x)
plt.plot(x, y, 'o', color='black')
# 第三個參數爲圖形符號縮寫形式
不同的圖形標記
plt.figure(figsize=(12,8))
rng = np.random.RandomState(0)
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
plt.plot(rng.rand(5), rng.rand(5), marker,
label="marker='{0}'".format(marker))
plt.legend(numpoints=1)
plt.xlim(0, 1.8)
組合線條與散點
plt.plot(x, y, '-ok')
自定義線條和散點屬性
plt.plot(x, y, '-p', color='gray', markersize=15, linewidth=4,
markerfacecolor='white', markeredgecolor='gray', markeredgewidth=2)
（二）用plt.scatter畫散點圖
簡易散點圖
plt.scatter(x, y, marker='o')
改變散點圖中散點的大小、顏色和透明度
plt.scatter與plt.plot的主要差別在於，前者在創建散點圖時具有更高靈活性，可以單獨控制每個散點與數據匹配，也可以讓每個散點具有不同的屬性（大小、表面顏色、邊框顏色等）- 可以用
alpha參數調整透明度，以便更好顯示重疊部分 - 顏色自動映射成顏色條（color scale，通過
colorbar()顯示），散點的大小以像素爲單位。這樣散點的顏色與大小就可以顯示多維數據的信息了
rng = np.random.RandomState(0)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3, cmap='viridis')
plt.colorbar()
# 用散點屬性對鳶尾花的特徵編碼
from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T
plt.scatter(features[0], features[1], alpha=0.2, s=100*features[3], c=iris.target, cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1])
-
散點圖可以讓我們同事看到不同維度的數據：每個點的座標值(x, y)分別表示花萼的長度和寬度，而點的大小表示花瓣的寬度，三種顏色對應三種不同類型的鳶尾花。
-
更多詳見：matplotlib.pyplot.scatter - Matplotlib 3.2.1 documentation
（三）plot與scatter效率對比
在數據量較小的時候，兩者在效率上差異不大。
當大型數據集（數據變大到幾千個散點）時，plt.plot的效率將大大高於plt.scatter。
plt.scatter會對每個散點進行單獨的大小與顏色的渲染，渲染器會消耗更多資源plt.plot中，散點基本都彼此複製，因此整個數據集中所有點的顏色、尺寸只需要配置一次
Matplotlib 相關閱讀：
[Python3] Matplotlib —— (一) 入門基礎
[Python3] Matplotlib —— (二) 簡易線形圖
總結自《Python數據科學手冊》