Python 数据可视化之密度散点图 Density Scatter Plot 原创

# 固定numpy的随机种子np .随机。种子(2024< span class="6ea0-826b-c6a4-8b8a token punctuation">)# 构造二维数据 x 和 yx = np .随机.正常(loc=0.0, 比例=<跨度class="2832-9269-88e2-a258 token number">1.0, 大小= 1000)y = x + np .随机.正常(loc=0.1， 比例=1.0, 大小=1000)#清晰密度x_and_y  = np.vstack([x, y])kde = gaussian_kde(x_and_y)z = kde(x_and_y)idx = z.argsort()x, y, z = x[idx], y[ idx], z[idx]is_cbar = True# 创建图形和坐标轴fig, ax = plt。子图(figsize=(< /span>7, 4), dpi=150 span>)# cmap: bwr、Spectral_r、viridis_r、spring、gist_rainbow_r、RdBu_r# 可设置的颜色图 - https://matplotlib.org/tutorials/colors/colormaps.htmlmy_cmap = "bwr"#密度密度散点图ax .分散(x, y, c=z, cmap=my_cmap)#用7次税收方式，调用poly1d方法获得税收方式倍数。y_fit =< /span> polyfit(x, y, 7)y_fit_1d = np.poly1d(y_fit)y_hat = np.polyval(y_fit, x)# 计算相关系数和 R^2打印('相关系数：')打印(np.corrcoef (y_hat, y))相关性= np.corrcoef(y_hat, y)[0, 1]R_square = 相关性 ** 2< /span>打印("R^2：" , R_square)xtick = np。linspace(分钟(x), 最大(x), 1000)# 精美的剪影式plt.< /span>plot(xtick, y_fit_1d(xtick< span class="d5bd-6ea0-826b-c6a4 token punctuation">), 颜色="#FF0066", lw=2.2)#坐标轴偏差的数值使用拉丁现代数学字体标签 = ax.get_xticklabels() < span class="88e2-a258-d5bd-6ea0 token operator">+ ax.get_yticklabels()[标签。set_fontproperties(font_latex2) 用于标签位于标签][标签。 set_color('黑色') < span class="88e2-a258-d5bd-6ea0 token keywords">对于标签 在标签中]#设置坐标轴平衡plt.tick_params(axis='x',方向='out', labelsize=13，长度=< /span>4.6, 宽度=1.15)plt。tick_params( 轴='y',方向='out', 标签大小=13, 长度=4.6，宽度=1.15)# 展示 X和 Y 轴的子位置ax。xaxis。set_minor_locator (股票代码。AutoMinorLocator()< span class="0a69-2832-9269-88e2 token punctuation">)ax。yaxis。set_minor_locator(股票代码。AutoMinorLocator())#颜色条的设置：公式、字体、字号等if is_cbar:norm =  颜色。标准化(vmin=np .分钟(z)， vmax=np。max(z)) cbar = plt.colorbar(< /span>cm。ScalarMappable(norm=规范， cmap=my_cmap)< /span>, ax=ax) cbar.ax.set_ylabel(“密度”， fontproperties=font_latex2， labelpad=12) cbar。ax。tick_params(labelsize =12) 标签 = cbar.ax.< /span>get_xticklabels() + cbar.ax.get_yticklabels( ) [标签。set_fontproperties(font_latex2 ) 对于标签 在标签中] [标签。set_color('黑色') 对于标签 在标签中] tick_locator = 股票代码。MaxNLocator(nbins=8) cbar。定位器= tick_locator cbar。update_ticks ()#设置X轴和Y轴的实际值范围ax.set_xlim(左=-6, 对=6.0000001)ax.set_xticks(np.arange(-6, 6.000001，步=2.0 ))ax.set_ylim(底部=-6, top=6.0000001)ax。set_yticks(np.arange(-6， 6.000001， 步骤=2.0)) # 画图对象周围的框的加粗一点lw = 1.25 span>ax.spines["右"]。set_linewidth(lw)ax。spines["left" ]。set_linewidth(lw)ax.spines[“顶部”]。set_linewidth(lw)ax.spines[“底部”]。set_linewidth (lw)#设置X轴和Y轴的标签、字体、相对和相对标签关系的坐标轴边界坐标的间距plt.xlabel( "X 标签", fontproperties=font_latex1, labelpad=8） plt.ylabel("Y 标签", fontproperties=font_latex1, 标签板=8)# 设置标题字体大小以及距绘制对象的距离plt.title("Python Matplotlib - 密度散点图", fontproperties=font_latex2 , pad=12 )# 文本的位置是根据数据坐标来确定的ax.text(x=-5 , y=4.5, s=r'$\ {R^2} = 0.522$', usetex=True, 字体大小=14, fontweight="粗体" )#显示网格虚线和裂缝plt.grid(alpha=0.360,< /span> ls="--", 其中="主要", 颜色="#A9A9A9")# 紧凑布局plt.tight_layout()plt.savefig("./Figures/密度散点图.png", dpi=300, bbox_inches="紧")plt.显示(< span class="e8b6-b20d-0a69-2832 token punctuation">)

整体解释：Brave代码首先导入了需要的库，然后生成了测试数据$x$ 和 y y < span class="620a-e8b6-b20d-0a69 mord mathnormal" style="margin-right: 0.0359em;">y（实际应用还可能是真实的值 $y$ 和预测值 y ^ \hat y < span class="0a69-2832-9269-88e2 mord mathnormal" style="margin-right: 0.0359em;">y^​）。接着，它使用核密度估计（KDE）来计算数据的密度分布。之后，它得到了一个密度散点图，并使用了一个公式来生成一个曲线。最后，它计算了相关系数和 < span class="8b8a-7af6-c004-61af katex--inline"> R 2 R^2 R< span class="826b-c6a4-8b8a-7af6 sizing Reset-size6 size3 mtight">2 值，并设置了各种图形属性，如坐标轴默认、颜色条、网格等。最后，将图像保存为一个.png 文件并显示出来。

可视化结果如下：