Python怎么画散点图_二维散点与三维气泡图及颜色尺寸动态数据映射

散点图看起来是Python可视化里最简单的东西，一行plt.plot(x, y, 'o')就能出图，但真正干活的时候，需求往往复杂得多：点要按某个维度变色、点的大小要反映数值大小、有时候还要画出三维的气泡图。这篇文章就把二维散点、带颜色和尺寸映射的气泡图、以及三维气泡图一次性讲透，代码都能直接跑。

一、最基础的二维散点图：plot和scatter该怎么选

画散点图有两个入口，一个是plt.plot()，一个是plt.scatter()。很多人随手就用plot，画出来的效果也差不多，但两者底层实现完全不同。plot把所有点当成一个整体绘制，属性统一，速度快；scatter则允许每个点拥有独立的大小和颜色，代价是当数据量上万时渲染会明显变慢。

经验法则很明确：如果只是看看两个变量的分布关系，数据量又大，用plot(x, y, 'o')就够了；一旦需要让每个点的颜色或大小随数据变化，必须切换到scatter。先看一个基础示例：

import matplotlib.pyplot as plt
import numpy as np

# 解决中文乱码问题，Windows下常用SimHei
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
x = np.random.randn(300)
y = 0.8 * x + np.random.randn(300) * 0.5

fig, axes = plt.subplots(1, 2, figsize=(11, 4.5))

# 左图：plot方式，速度快，属性统一
axes[0].plot(x, y, 'o', color='steelblue', alpha=0.7)
axes[0].set_title('plot 绘制的散点图')

# 右图：scatter方式，功能强
axes[1].scatter(x, y, color='steelblue', alpha=0.7, edgecolors='none')
axes[1].set_title('scatter 绘制的散点图')

plt.tight_layout()
plt.show()

这里有个细节值得注意：alpha=0.7设置透明度在数据密集时非常关键，不透明的点会互相遮挡，看不出堆积密度。加上edgecolors='none'去掉描边后，大规模数据的观感会干净很多。

二、颜色映射：让第三个变量体现在点的颜色上

二维平面只有横纵两个轴，想表达第三个变量，最自然的做法就是让点的颜色随它变化。scatter的c参数接收一个与数据点等长的数组，cmap指定配色方案，再用plt.colorbar()把颜色条加上，读图的人才知道每种颜色对应什么数值。

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(1)
x = np.random.rand(200) * 100
y = np.random.rand(200) * 100
temperature = x * 0.5 + y * 0.3 + np.random.rand(200) * 10  # 第三个变量

fig, ax = plt.subplots(figsize=(8, 6))
sc = ax.scatter(x, y, c=temperature, cmap='coolwarm',
                alpha=0.8, edgecolors='white', linewidths=0.5)

cbar = plt.colorbar(sc, ax=ax)
cbar.set_label('温度')

ax.set_xlabel('经度偏移')
ax.set_ylabel('纬度偏移')
ax.set_title('颜色映射第三个变量的散点图')
plt.show()

注意colorbar要传入scatter返回的对象sc，而不是直接调用，这样颜色条的刻度范围会自动与数据对齐。如果想让颜色映射固定在某个范围（比如多张图对比时保持一致），可以加vmin和vmax参数：ax.scatter(x, y, c=temperature, vmin=0, vmax=80, ...)。

cmap的选择也有讲究。viridis是matplotlib默认配色，感知均匀且对色盲友好；coolwarm适合表达有正负或冷暖含义的数据；jet虽然经典但不推荐，色阶过渡不均匀容易造成误读。

三、气泡图：用点的大小表达第四个变量

如果还想再塞进一个维度，就用s参数控制点的大小，这就成了气泡图。这里有个非常常见的坑：s指的是点的面积的平方值（点径的平方），不是半径也不是直径。如果直接把原始数据扔进去，数值大的点会大到离谱，所以一般要做归一化处理。

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(7)
city_x = np.random.rand(25) * 100
city_y = np.random.rand(25) * 100
population = np.random.rand(25) * 800 + 50     # 人口：第四个变量
gdp = city_x * 0.6 + np.random.rand(25) * 20   # GDP：第三个变量，用颜色表示

# 关键一步：把人口归一化后映射到合理的面积区间
size = population / population.max() * 1500

fig, ax = plt.subplots(figsize=(9, 7))
sc = ax.scatter(city_x, city_y, s=size, c=gdp, cmap='viridis',
                alpha=0.65, edgecolors='black', linewidths=0.8)

plt.colorbar(sc, ax=ax, label='GDP指数')
ax.set_xlabel('东西方向')
ax.set_ylabel('南北方向')
ax.set_title('气泡图：颜色表示GDP，大小表示人口')
plt.show()

气泡图的图例是个难点，因为尺寸是连续的，默认图例没法直接表达。常用的解决办法是手动构造几个代表值，用Line2D或者scatter空数据的方式画图例点：

import matplotlib.pyplot as plt
from matplotlib.lines import Line2D

# 构造三个档位的图例
legend_vals = [100, 400, 800]
handles = [Line2D([0], [0], marker='o', color='w',
                  markerfacecolor='gray', alpha=0.65, markersize=np.sqrt(v / 800 * 1500),
                  label=f'人口 {v:.0f}万') for v in legend_vals]
ax.legend(handles=handles, title='气泡大小', loc='upper left')

注意markersize的单位是点径，而s是面积，所以换算时要开平方，这也是很多人画出来的图例点和实际气泡对不上的原因。

四、三维气泡图：mpl_toolkits.mplot3d实战

当数据真的有三个空间维度加一个数值维度时，就轮到三维气泡图登场了。matplotlib自带mpl_toolkits.mplot3d，不需要额外安装，通过projection='3d'创建三维坐标轴即可。三维散点的scatter同样支持c和s参数，逻辑和二维完全一致。

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(20)
fig = plt.figure(figsize=(9, 7))
ax = fig.add_subplot(111, projection='3d')

n = 200
xs = np.random.rand(n) * 10
ys = np.random.rand(n) * 10
zs = np.random.rand(n) * 10
value = xs + ys + zs  # 数值维度，决定颜色和大小

p = ax.scatter(xs, ys, zs,
               c=value,              # 颜色映射数值
               s=value * 25,         # 大小映射数值
               cmap='plasma',
               alpha=0.7,
               depthshade=True)      # 开启深度着色，增强立体感

plt.colorbar(p, ax=ax, shrink=0.6, label='综合数值')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
ax.set_zlabel('Z 轴')
ax.set_title('三维气泡图')
ax.view_init(elev=20, azim=45)  # 调整视角
plt.show()

几个三维图特有的技巧：一是depthshade=True会让远处的点颜色变淡，立体感立刻出来；二是view_init可以调整俯仰角和方位角，找到最能展现数据结构的视角；三是colorbar加shrink=0.6把颜色条压短一点，避免和图形重叠。

需要提醒的是，matplotlib的3D是伪3D，遮挡关系按绘制顺序处理，点特别多时可能出现近点被远点遮挡的假象。如果对交互性要求高，比如需要鼠标旋转查看，建议改用pyecharts或者plotly，其中plotly的px.scatter_3d一行代码就能生成可旋转、可缩放的三维气泡图，浏览器打开即可交互，适合做汇报展示。

总结一下技术路线：数据只有两个变量用plot最快；三个变量加c和colorbar；四个变量用s做气泡图并记得归一化；三个空间维度再加数值就用mplot3d。掌握这几个参数的组合方式，绝大多数散点类的可视化需求都能覆盖。

Python散点图matplotlibbubble chart修改时间：2026-09-06 22:02:41