### 如何使用 Python 绘制彩色散点图 在 Python 中，`Matplotlib` 和 `Seaborn` 都提供了绘制彩色散点图的功能。通过结合两者的优点，可以快速生成既美观又高度定制化的图表。 #### 使用 Matplotlib 绘制彩色散点图 以下是利用 `Matplotlib` 创建彩色散点图的一个简单示例： ```python import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) x = np.random.rand(50) y = np.random.rand(50) colors = np.random.rand(50) # 设置颜色值 sizes = 1000 * np.random.rand(50) # 设置大小 plt.figure(figsize=(8, 6)) scatter_plot = plt.scatter(x, y, c=colors, s=sizes, alpha=0.7, cmap='viridis') plt.colorbar(scatter_plot) # 添加标题和坐标轴标签 plt.title('Colored Scatter Plot with Matplotlib', fontsize=16) plt.xlabel('X-axis Label', fontsize=14) plt.ylabel('Y-axis Label', fontsize=14) plt.show() ``` 上述代码展示了如何通过指定参数 `c` 来设置每个点的颜色，并使用 `cmap` 参数来定义颜色映射方案[^2]。 --- #### 使用 Seaborn 绘制彩色散点图 如果希望进一步简化绘图过程并增强视觉效果，则可以选择 `Seaborn` 库中的 `relplot()` 方法或其他相关函数实现相同目标： ```python import seaborn as sns import pandas as pd import numpy as np sns.set_theme(style="whitegrid") # 构造 DataFrame 数据结构 data = { 'x': np.random.randn(100), 'y': np.random.randn(100), 'color_value': np.random.uniform(low=-3, high=3, size=100), # 色彩依据变量 } df = pd.DataFrame(data) # 利用 relplot 进行绘图 scatter_plot = sns.relplot( data=df, x="x", y="y", hue="color_value", palette="coolwarm", # 定义色彩渐变范围 sizes=(20, 200), height=6, aspect=1.5 ).set(title="Scatter Plot Using Seaborn") # 自定义标题 plt.show() ``` 此方法不仅能够轻松完成复杂的配置操作，还允许用户借助内置主题迅速提升图形质量[^1]。 --- #### 将 Matplotlib 和 Seaborn 结合起来绘制高级散点图 当单独依赖任一工具无法满足需求时，可考虑混合运用二者特性构建理想化作品。比如先调用 Seaborn 初始化基础框架再辅以 Matplotlib 实现细节修饰： ```python import matplotlib.pyplot as plt import seaborn as sns import pandas as pd import numpy as np sns.set() # 模拟实验数据集 data = {'a': np.array(np.random.randn(100)), 'b': np.array(np.random.randn(100))} df = pd.DataFrame(data) fig, ax = plt.subplots(figsize=(9, 7)) # 基于 Seaborn 渲染主体部分 sns.scatterplot(ax=ax, x="a", y="b", data=df, marker="+", color=".5", label="Raw Data Points") # 加入额外装饰层 (由 Matplotlib 执行) ax.axhline(y=0, color="r", linestyle="--", linewidth=.8, label="Reference Line") for i in range(len(df)): if abs(df['a'][i]) > 1 and abs(df['b'][i]) > 1: ax.annotate(f'Point {i}', xy=(df['a'][i], df['b'][i]), textcoords="offset points", xytext=(-10,-10), ha='center') ax.legend(loc='upper left') ax.set_title("Combined Visualization Example", fontdict={'fontsize': 18}) plt.tight_layout() plt.show() ``` 以上实例说明了怎样把两种技术结合起来达到最佳展示目的的同时保留充分灵活性去微调最终成果。 ---