(代码详解)绘制气泡图+详细讲解图例设置+如何正确理解气泡图+气泡大小、颜色+调参

气泡图简介：

一、导入库

二、准备数据

三、画气泡图--基础版

四、画气泡图--进阶版一 (控制气泡大小)

解读气泡图：

五、画气泡图--进阶版二(控制气泡颜色)

(一)用参数c控制气泡颜色

(二)用for循环的方法控制气泡颜色

(三)给气泡分配指定的颜色(调整气泡颜色分配)

六、添加图例

(一)图例的一些基本设置--参数讲解

(二) 图例的排列方式--横向排放

(三)调整图例可视化图形大小及透明度

(四)给图例添加标题

(五) 将图例设置到图像外侧

再次解读气泡图：

七、完整代码

气泡图简介：

气泡图（Bubble Chart）是一种数据可视化图形，它主要用于展示多个数据点之间的关系。气泡图通过大小不同的气泡来表示数据点的值，气泡的位置和颜色也可以传递额外的信息。在气泡图中，横轴和纵轴通常表示数据的两个维度，而气泡的半径和位置则表示数据的值。气泡图常用于分析多元数据，特别是在需要考虑多个变量之间关系的情况下。简单来说，气泡图是一种能够在二维平面上展示多元数据关系的图表，通过气泡的大小、位置和颜色来表示数据点的值和属性。

在气泡图中，气泡的面积大小(半径大小)通常代表数据的某个属性值，如数值、数量等，面积越大，对应的属性值越大。

气泡的颜色通常代表另一个属性，如分类、状态等，不同的颜色可以区分不同的类别或状态。

例如，在反映各国GDP等情况的气泡图中，气泡面积可以代表GDP大小，颜色可以代表国家类别。

下面利用实例来探究气泡图的具体应用，使用的使python

一、导入库

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import seaborn as sns

二、准备数据

iris = load_iris()
# 这里，`load_iris()`函数从sklearn库中加载鸢尾花数据集
X = iris.data
Y = iris.target
# 并将数据和目标变量分别存储在X和Y中。
# X表示花瓣长度、花瓣宽度、花萼长度和花萼宽度等特征，Y表示三个品种（setosa，versicolor，virginica）的标签。

# 将X和Y转换为DataFrame
data = pd.DataFrame(X, columns=iris.feature_names)
data['target'] = Y

这里，`load_iris()`函数从sklearn库中加载鸢尾花数据集

并将数据和目标变量分别存储在X和Y中。

X表示花瓣长度、花瓣宽度、花萼长度和花萼宽度等特征，Y表示三个品种（setosa,versicolor，virginica）的标签。

将X和Y转换为DataFrame形式

数据data表结果如下：

三、画气泡图--基础版

plt.figure(figsize=(15,10))#图形长、宽
plt.rcParams['font.sans-serif'] = ['SimHei']# 中文显示

size =list(data["petal length (cm)"].astype(float))
# size =list(data["petal length (cm)"].astype(float)/0.002)

plt.scatter(data["sepal length (cm)"].astype(float),
            data["sepal width (cm)"].astype(float),
             s=size,
             alpha=0.6)  # 画散点图, alpha=0.6 表示不透明度为 0.6

plt.xlabel('sepal length (cm)',fontsize=20)  # 横坐标轴标题
plt.gca().xaxis.set_label_coords(0.5, -0.1)  # 调整X轴标题与X轴的距离
plt.ylabel('sepal width (cm)',fontsize=20)  # 纵坐标轴标题
plt.gca().yaxis.set_label_coords(-0.08, 0.5)  # 调整y轴标题与y轴的距离

plt.title("气泡图",fontsize=30,pad=15)

plt.tick_params(labelsize=20) #刻度字体大小20


plt.show()

一些比较基础的设置，在上面代码直接标上注释啦！

下面直接介绍一下核心部分：

size =list(data["petal length (cm)"].astype(float))

plt.scatter(data["sepal length (cm)"].astype(float),
            data["sepal width (cm)"].astype(float),
            s=size,
            alpha=0.6)

① data["sepal length (cm)"].astype(float) ：

从数据集中提取名为"sepal length (cm)"的列，并将其转换为浮点数类型。

将这一列数据作为x轴横坐标数据

②data["sepal width (cm)"].astype(float) ：

从数据集中提取名为"sepal width (cm)"的列，并将其转换为浮点数类型。

将这一列数据作为y轴纵坐标数据

③size =list(data["petal length (cm)"].astype(float)):

从数据集中提取名为"sepal length (cm)"的列，并将其转换为浮点数类型。

s=size ：设置气泡的大小，也就是将"sepal length (cm)"列的数值大小，当作气泡的面积大小，或者说半径大小。

④alpha=0.6 设置气泡的透明度，取值范围为0到1，其中0表示完全透明，1表示完全不透明。

综上，通过调用plt.scatter()函数并传入相应的参数，绘制出气泡图，其中横坐标表示"sepal length (cm)"列的值，纵坐标表示"sepal width (cm)"列的值，点的大小由size变量控制，点的透明度为0.6。

结果如下图：

图中气泡大小有大有小，但是总体来说都很小，差别不是很大，那么如何将气泡大小差异明显化呢？请看下一节的四、画气泡图--进阶版一

四、画气泡图--进阶版一 (控制气泡大小)

那么我们进行怎样的操作，气泡图能够从上边的形式，变成下边图的结果呢？

重点在size!

上边基础版的气泡图，气泡的大小为size =list(data["petal length (cm)"].astype(float))，也就是第三列"petal length (cm)"的数值大小，作为气泡的面积大小。

size =list(data["petal length (cm)"].astype(float)/0.002)

在这里我们将size =list(data["petal length (cm)"].astype(float))/0.002,也就是将原先size的大小除以0.002，原先的值扩大了500倍，也就是将每个气泡的面积分别扩大了原先的500倍。

解读气泡图：

从上边的气泡图，我们可以得到的信息：

①二维变量的关系：

大体上，随着x轴数据的增长，y轴数据也随之增长，可以说明speal length变量和sepal width变量是呈正相关，并且从图中可以看出是线性关系。

②三维变量的关系：

随着x轴的增长，气泡的大小有所变大，并且随着y轴的增长，气泡的大小也有所变大，可以得出结论，petal length变量与speal length变量和sepal width变量有关系，随着speal length和sepal width值的变大，petal length值也会有所增加。

五、画气泡图--进阶版二(控制气泡颜色)

气泡的颜色通常代表一个属性，如分类、状态等，不同的颜色可以区分不同的类别或状态。

例如在本例中，鸢尾花数据集的target列有三类，分别是0、1、2类，分别对应的实际意义是

0：山鸢尾花（Iris Setosa）

1：变色鸢尾花（Iris Versicolor）

2：维吉尼亚鸢尾花（Iris Virginica）

那么下面就实现将不同类别的样本对应的气泡赋予不同颜色

(一)用参数c控制气泡颜色

plt.scatter(data["sepal length (cm)"].astype(float),
           data["sepal width (cm)"].astype(float),
           s=size,c=data["target"],
             alpha=0.6)

就是在上边语句中加入了c=data["target"]：

设置气泡的颜色，其中data["target"]是一个列，表示每个点所属的目标类别。

结果如下：

(二)用for循环的方法控制气泡颜色

上面我们介绍了利用参数c控制气泡颜色，下边介绍用另一种方法for循环控制气泡颜色，

# 遍历所有唯一的类别并绘制气泡图
for target in data["target"].unique():
    size =list(data[data["target"] == target]["petal length (cm)"].astype(float)/0.002)
    plt.scatter(data[data["target"] == target]["sepal length (cm)"].astype(float),
                data[data["target"] == target]["sepal width (cm)"].astype(float),
                s=size, alpha=0.6)

这段代码的意思是：

根据不同的目标值（target）绘制散点图，其中每个目标值对应的数据点的大小（size）是根据花瓣长度（petal length）除以0.002得到的。

也就是先用一个颜色绘制第一类样本的气泡图，接着用另一个颜色绘制第二类样本的气泡图，最后再用另一个颜色绘制第三个样本绘制的气泡图。

这样不同类别的样本对应的气泡就赋予了不同的颜色。

结果如下：

(三)给气泡分配指定的颜色(调整气泡颜色分配)

colors = ['blue', 'yellowgreen', 'red']
for i, target in enumerate(data["target"].unique()):
    size =list(data[data["target"] == target]["petal length (cm)"].astype(float)/0.002)
    plt.scatter(data[data["target"] == target]["sepal length (cm)"].astype(float),
                data[data["target"] == target]["sepal width (cm)"].astype(float),
                s=size, alpha=0.8, c=colors[i])

使用c参数来指定气泡的颜色。

具体来说，我们可以将c参数设置为一个列表，其中包含每个数据点的颜色。

例如，我们可以将第一个类别的气泡设置为blue，第二个类别的气泡设置yellowgreen，第三个类别的气泡设置为red.

这里，我们使用enumerate()函数来获取每个类别的索引和名称，然后使用colors列表来指定每个类别的颜色。

关于enumerate()函数的介绍，小伙伴可以看我主页此文章的上一篇文章enumerate()函数讲解+同时获取索引和对应的元素值+实例-CSDN博客

结果如下：

运行代码后，我们可以看到气泡图中的颜色已经按照我们指定的颜色进行了设置

六、添加图例

上面的操作已经将不同类别的气泡赋予了不同的颜色，但是我们现在从图中还不能知道哪个颜色代表哪类样本，因此考虑添加图例。

(一)图例的一些基本设置--参数讲解

legend=plt.legend(data["target"].unique(),fontsize=5,loc='upper right',
            frameon = True, framealpha=0.5,handlelength=2,
            prop={'size': 15},borderpad=1.5,
            facecolor = "orange",edgecolor ="blue")


# 设置图例边框的宽度
legend.get_frame().set_linewidth(3)

①data["target"].unique()：以鸢尾花的三个类别当作图例标签

②fontsize=5：设置图例字体大小为5。

prop={'size': 15}`：设置图例字体大小为15

应用时，这两个参数作用类似，只设置一个即可。

③loc='upper right'：设置图例位置为右上角

loc参数可选如下：

'upper right'：右上 'upper left' ：左上 'lower left'：左下 'lower right'：右下

除此之外，还可以通过bbox_to_anchor参数调整图例的位置：
bbox_to_anchor参数设置为(1.05, 1)，表示图例的位于图形的右上角的某个位置。小伙伴可以根据需要调整这个值。

④frameon = False去除图例边框，即不要图例的外边框。

frameon = True绘制图例的外边框

⑤framealpha：控制图例的透明度

⑥handlelength=2：设置图例标记长度为2

⑦borderpad=1.5控制图例外边框的大小

⑧facecolor = ‘orange’ 设置边框填充色为橙色

⑨edgecolor = ‘blue’ 设置图例边框的颜色为蓝色

⑩legend.get_frame().set_linewidth(3)：设置图例边框的宽度

结果如下：

(二) 图例的排列方式--横向排放

上边的图例是竖列排放的，如果想让其横向排放，需要用到ncol参数

legend=plt.legend(data["target"].unique(),fontsize=10,loc='upper right',
                 frameon = True, framealpha=0.5,handlelength=2,
                 prop={'size': 15},borderpad=1.5,
                 facecolor = "orange",edgecolor ="blue",ncol = 3)

ncol = 3:横放，参数值为3，是因为图例中有三个标签值。

结果如下：

(三)调整图例可视化图形大小及透明度

for handle in legend.legendHandles:
    handle.set_sizes([200])
    handle.set_alpha(0.8)

这段代码的主要作用是调整matplotlib图例中的可视化图形大小和透明度。

使用set_sizes()和set_alpha()方法来调整标记的大小和透明度。

这里我们将所有标记的大小设置为200，透明度设置为0.8。

运行代码，我们可以看到一个包含定制标记大小和透明度的图例

结果如下：

(四)给图例添加标题

legend.set_title("图例")
legend.get_title().set_fontsize(fontsize = 25)

设置图例的标题为“图例”，并设置“图例”的字体大小为25。

结果如下：

(五) 将图例设置到图像外侧

legend=plt.legend(data["target"].unique(),fontsize=10,
            frameon = True, framealpha=0.5,handlelength=2,
            prop={'size': 15},borderpad=1,facecolor = "orange",
            edgecolor ="blue",ncol = 3,bbox_to_anchor=(1, 0.8))


plt.subplots_adjust(right=0.8)

plt.subplots_adjust(right=0.8) ：将右侧边缘调整至距离整体图形边缘 0.8 个单位

bbox_to_anchor=(1, 0.8)：图例的位置

引入bbox_to_anchor=(1, 0.8)参数，以及设置plt.subplots_adjust(right=0.8) 就可以实现如下图的结果：

再次解读气泡图：

从上边的气泡图中，我们可以看出大体上每一类的气泡都集中在某一大小范围内。

也就是说同一类之间或者组内之间的气泡大小差异不大，或者说同一类之间petal length这个变量的差异不大。

同时也可以看出，红色的2类鸢尾花样本的petal length值最大，其次是绿色的1类鸢尾花样本，最后是蓝色的0类鸢尾花样本，它的petal length值大体上最小。

说明petal length变量在组间差异明显，在组内差异不明显，即petal length变量对鸢尾花数据进行target分类有明显的鉴别作用。

七、完整代码

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import seaborn as sns

iris = load_iris()
# 这里，`load_iris()`函数从sklearn库中加载鸢尾花数据集
X = iris.data
Y = iris.target
# 并将数据和目标变量分别存储在X和Y中。
# X表示花瓣长度、花瓣宽度、花萼长度和花萼宽度等特征，Y表示三个品种（setosa，versicolor，virginica）的标签。
 
# 将X和Y转换为DataFrame
data = pd.DataFrame(X, columns=iris.feature_names)
data['target'] = Y


plt.figure(figsize=(15,10))#图形长、宽
plt.rcParams['font.sans-serif'] = ['SimHei']# 中文显示
 

size =list(data["petal length (cm)"].astype(float)/0.002)


colors = ['blue', 'yellowgreen', 'red']
for i, target in enumerate(data["target"].unique()):
    size =list(data[data["target"] == target]["petal length (cm)"].astype(float)/0.002)
    plt.scatter(data[data["target"] == target]["sepal length (cm)"].astype(float),
                data[data["target"] == target]["sepal width (cm)"].astype(float),
                s=size, alpha=0.8, c=colors[i])
 

 
plt.xlabel('sepal length (cm)',fontsize=20)  # 横坐标轴标题
plt.gca().xaxis.set_label_coords(0.5, -0.1)  # 调整X轴标题与X轴的距离
plt.ylabel('sepal width (cm)',fontsize=20)  # 纵坐标轴标题
plt.gca().yaxis.set_label_coords(-0.08, 0.5)  # 调整y轴标题与y轴的距离
 
plt.title("气泡图",fontsize=30,pad=15)
 
plt.tick_params(labelsize=20) #刻度字体大小20

legend=plt.legend(data["target"].unique(),fontsize=5,loc='upper right',
            frameon = True, framealpha=0.5,handlelength=2,
            prop={'size': 15},borderpad=1.5,
            facecolor = "orange",edgecolor ="blue",ncol=3)

 
 
# 设置图例边框的宽度
legend.get_frame().set_linewidth(3)

for handle in legend.legendHandles:
    handle.set_sizes([200])
    handle.set_alpha(0.8)

legend.set_title("图例")
legend.get_title().set_fontsize(fontsize = 25)



#将图例设置到图像外侧
#legend=plt.legend(data["target"].unique(),fontsize=10,
            #frameon = True, framealpha=0.5,handlelength=2,
            #prop={'size': 15},borderpad=1,facecolor = "orange",
            #edgecolor ="blue",ncol = 3,bbox_to_anchor=(1, 0.8))
 
#plt.subplots_adjust(right=0.8) 
 
 
plt.show()