### Matplotlib 展示多变量关系的方法 Matplotlib 是 Python 中广泛使用的绘图库，能够通过多种方式展示多变量之间的关系。以下是几种常见的方式： #### 1. **散点图** 散点图是一种用于显示两个数值型变量之间关系的有效工具。当涉及多个变量时，可以通过颜色或其他标记来区分不同的类别。 ```python import matplotlib.pyplot as plt import numpy as np # 创建随机数据集 np.random.seed(0) data = { 'x': np.random.rand(50), 'y': np.random.rand(50), 'z': np.random.randint(0, 3, size=50) # 类别标签 } fig, ax = plt.subplots() scatter = ax.scatter('x', 'y', c='z', cmap=plt.cm.get_cmap('viridis'), data=data) # 添加颜色条以解释类别 legend1 = ax.legend(*scatter.legend_elements(), loc="upper right", title="Classes") ax.add_artist(legend1) plt.xlabel('X Variable') plt.ylabel('Y Variable') plt.title('Scatter Plot with Multiple Variables') plt.show() ``` 此代码展示了如何利用 `c` 参数指定第三个维度的颜色编码[^2]。 --- #### 2. **热力图** 热力图适用于表示矩阵形式的数据，其中单元格的颜色强度反映了其值的大小。对于多变量的关系研究，可以用来展示相关系数矩阵。 ```python import seaborn as sns import pandas as pd # 加载鸢尾花数据集并计算相关矩阵 iris_data = pd.read_csv(r"D:\Windows 7 Documents\Desktop\iris.csv") correlation_matrix = iris_data.corr() # 使用 Matplotlib 和 Seaborn 结合绘制热力图 plt.figure(figsize=(8, 6)) sns.heatmap(correlation_matrix, annot=True, fmt=".2f", cmap="coolwarm") plt.title('Heatmap of Correlation Matrix') plt.show() ``` 这里使用了 Seaborn 的 `heatmap` 函数作为辅助工具，但核心仍然是基于 Matplotlib 进行渲染[^3]。 --- #### 3. **子图布局 (Subplots)** 为了在同一张图中比较不同变量间的关系，可以采用子图的形式排列多个散点图或折线图。 ```python import matplotlib.pyplot as plt import numpy as np # 随机生成三个变量的数据 np.random.seed(42) var_a = np.random.randn(100) var_b = var_a * 0.5 + np.random.randn(100) * 0.5 var_c = -var_a + np.random.randn(100) * 0.3 fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(15, 5)) axes[0].scatter(var_a, var_b, alpha=0.6) axes[0].set_title('A vs B') axes[1].scatter(var_a, var_c, alpha=0.6) axes[1].set_title('A vs C') axes[2].scatter(var_b, var_c, alpha=0.6) axes[2].set_title('B vs C') for ax in axes: ax.set_xlabel('Variable X') ax.set_ylabel('Variable Y') plt.tight_layout() plt.show() ``` 这种方法允许灵活调整每幅子图的内容及其位置[^2]。 --- #### 总结 以上介绍了三种常用的 Matplotlib 方法来可视化多变量关系：散点图、热力图以及子图布局。这些技术可以帮助研究人员更好地理解复杂数据集中隐藏的模式和关联。