Как найти точку на графике питон

• matplotlib.pyplot.plot and matplotlib.axes.Axes.plot plots y versus x as lines and/or markers.
• ax.plot(105, 200) attempts to draw a line, but two points are required for a line
  • plt.plot([105, 110], [200, 210])
• A third positional argument consists of line type, color, and/or marker
  • 'o' can be used to only draw a marker.
    • Specifying marker='o' does not work the same as the positional argument.
  • 'ro' specifies color and marker, respectively
  • '-o' or '-ro' will draw a line and marker if two or more x and y values are provided.
• matplotlib.pyplot.scatter and matplotlib.axes.Axes.scatter can also be used to add single or multiple points
• Tested in python 3.10, matplotlib 3.5.1, seaborn 0.11.2

import matplotlib.pyplot as plt

fig, ax = plt.subplots(3, 1, figsize=(8, 10), tight_layout=True)

# single point
ax[0].plot(105, 110, '-ro', label='line & marker - no line because only 1 point')
ax[0].plot(200, 210, 'go', label='marker only')  # use this to plot a single point
ax[0].plot(160, 160, label='no marker - default line - not displayed- like OP')
ax[0].set(title='Markers - 1 point')
ax[0].legend()

# two points
ax[1].plot([105, 110], [200, 210], '-ro', label='line & marker')
ax[1].plot([105, 110], [195, 205], 'go', label='marker only')
ax[1].plot([105, 110], [190, 200], label='no marker - default line')
ax[1].set(title='Line & Markers - 2 points')
ax[1].legend()

# scatter plot
ax[2].scatter(x=105, y=110, c='r', label='One Point')  # use this to plot a single point
ax[2].scatter(x=[80, 85, 90], y=[85, 90, 95], c='g', label='Multiple Points')
ax[2].set(title='Single or Multiple Points with using .scatter')
ax[2].legend()

Seaborn

• seaborn is a high-level api for matplotlib, and offers additional options for plotting single points.
• sns.lineplot and sns.scatterplot are axes-level plots.
  • sns.lineplot has keyword arguments, which are passed to matplotlib.axes.Axes.plot
  • sns.scatterplot has keyword arguments, which are passed to matplotlib.axes.Axes.scatter
• sns.relplot is a figure-level plot, with a kind= parameter.
  • kind='line' passes to sns.lineplot
  • kind='scatter' passes to sns.scatterplot
• x= and y= must be passed as a vector in the following cases.

axes-level plots

sns.lineplot(x=[1], y=[1], marker='o', markersize=10, color='r')

sns.scatterplot(x=[1], y=[1], s=100, color='r')

figure-level plots

sns.relplot(kind='line', x=[1], y=[1], marker='o', markersize=10, color='r')

sns.relplot(kind='scatter', x=[1], y=[1], s=100, color='r')

Модуль pyplot — это коллекция функций в стиле команд, которая позволяет использовать matplotlib почти так же, как MATLAB. Каждая функция pyplot работает с объектами Figure и позволяет их изменять. Например, есть функции для создания объекта Figure, для создания области построения, представления линии, добавления метки и так далее.

pyplot является зависимым от состояния (stateful). Он отслеживает статус объекта Figure и его области построения. Функции выполняются на текущем объекте.

Простой интерактивный график

Для знакомства с библиотекой matplotlib и с самим pyplot начнем создавать простой интерактивный график. В matplotlib эта операция выполняется очень просто. Достаточно трех строчек кода.

Но сначала нужно импортировать пакет pyplot и обозначить его как plt.

import matplotlib.pyplot as plt

В Python конструкторы обычно не нужны. Все определяется неявно. Так, при импорте пакета уже создается экземпляр plt со всеми его графическими возможностями, который готов к работе. Нужно всего лишь использовать функцию plot() для передачи функций, по которым требуется построить график.

Поэтому достаточно передать значения, которые нужно представить в виде последовательности целых чисел.

plt.plot([1,2,3,4])

[]

В этом случае генерируется объект Line2D. Это линия, представляющая собой линейный тренд точек, нанесенных на график.

Теперь все настроено. Осталось лишь дать команду показать график с помощью функции show().

plt.show()

Результат должен соответствовать показанному на изображении. Он будет отображаться в окне, которое называется plotting window с панелью инструментов. Прямо как в MATLAB.

Окно графика

В этом окне есть панель управления, состоящая из нескольких кнопок.

Код в консоли IPython передается в консоль Python в виде набора команд:

import matplotlib.pyplot as plt
plt.plot([1,2,3,4])
plt.show()

Если же вы используете IPython QtConsole, то могли заметить, что после вызова plot() график сразу отображается без необходимости вызывать show().

Если функции plt.plot() передать только список или массив чисел, matplotlib предположит, что это последовательность значений y на графике и свяжет ее с последовательностью натуральных чисел x: 0, 1, 2, 3, ….

Обычно график представляет собой пару значений (x, y), поэтому, если нужно определить его правильно, требуется два массива: в первом будут значения для оси x, а втором — для y. Функция plot() принимает и третий аргумент, описывающий то, как нужно представить точку на графике.

Свойства графика

На последнем изображении точки были представлены синей линией. Если не указывать явно, то график возьмет настройку функции plt.plot() по умолчанию:

• Размер осей соответствует диапазону введенных данных
• У осей нет ни меток, ни заголовков
• Легенды нет
• Соединяющая точки линия синяя

Для получения настоящего графика, где каждая пара значений (x, y) будет представлена в виде красной точки, нужно поменять это представление.

Если вы работаете в IPython, закройте окно, чтобы вернуться в консоль для введения новых команд. Затем нужно будет вызывать функцию show(), чтобы увидеть внесенные изменения.

plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Если же вы используете Jupyter QtConsole, то для каждой введенной команды будет появляться новый график.

в будущем в примерах средой разработки будет выступать IPython QtConsole.

Можно определить диапазон для осей x и y, задав значения в список [xmin, xmax, ymin, ymax] и передав его в качестве аргумента в функцию axis().

в IPython QtConsole для создания графика иногда нужно ввести несколько строк команд. Чтобы график при этом не генерировался с каждым нажатием Enter (перевод на новую строку), необходимо нажимать Ctrl + Enter. А когда график будет готов, остается лишь нажать Enter дважды.

Можно задать несколько свойств. Одно из них — заголовок, который задается через функцию title().

plt.axis([0,5,0,20])
plt.title('My first plot')
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

На следующем изображении видно, как новые настройки делают график более читаемым. Так, конечные точки набора данных теперь распределены по графику, а не находятся на краях. А сверху есть заголовок.

matplotlib и NumPy

Даже matplot, которая является полностью графической библиотекой, основана на NumPy. Вы видели на примерах, как передавать списки в качестве аргументов. Это нужно как для представления данных, так и для того, чтобы задавать границы осей. Внутри эти списки конвертируются в массивы NumPy.

Таким образом можно прямо добавлять в качестве входящих данных массивы NumPy. Массив данных, обработанный pandas, может быть использован matplotlib без дальнейшей обработки.

В качестве примера рассмотрим, как перенести на один график три тренда. Возьмем функцию sin из модуля math. Последний сперва нужно импортировать. Для генерации точек по синусоиде нужно использовать библиотеку NumPy. Сгенерируем набор точек по оси x с помощью функции arrange(), а для оси y воспользуемся функцией map(). С ее помощью применим sin() ко всем элементам массива (без цикла for).

import math
import numpy as np
t = np.arange(0,2.5,0.1)
y1 = np.sin(math.pi*t)
y2 = np.sin(math.pi*t+math.pi/2)
y3 = np.sin(math.pi*t-math.pi/2)
plt.plot(t,y1,'b*',t,y2,'g^',t,y3,'ys')
plt.show()

Как видно на прошлом изображении, график представляет три разных тренда с помощью разных цветов и меток. В таких случаях когда тренд функции очевиден, график является не самой подходящим представлением — лучше использовать линии. Чтобы разделить их не только цветами, можно использовать паттерны, состоящие из комбинаций точек и дефисов.

plt.plot(t,y1,'b--',t,y2,'g',t,y3,'r-.')
plt.show()

если вы не пользуетесь IPython QtConsole со встроенной matplotlib или работаете с этим кодом в обычной сессии Python, используйте команду plt.show() в конце кода для получения объекта графика со следующего изображения.

Использование kwargs

Объекты, которые создают график, имеют разные характеризующие их атрибуты. Все они являются значениями по умолчанию, но их можно настроить с помощью аргументов-ключевых слов — kwargs.

Эти ключевые слова передаются в качестве аргументов в функции. В документации по разным функциям библиотеки matplotlib они всегда упоминаются последними вместе с kwargs. Например, функция plot() описана следующим образом.

matplotlib.pyplot.plot(*args, **kwargs)

В качестве примера с помощью аргумента linewidth можно поменять толщину линии.

plt.plot([1,2,4,2,1,0,1,2,1,4], linewidth=2.0)
plt.show()

Работа с несколькими объектами Figure и осями

До сих пор во всех примерах команды pyplot были направлены на отображение в пределах одного объекта. Но matplotlib позволяет управлять несколькими Figure одновременно, а внутри одного объекта можно выводить подграфики.

Работая с pyplot, нужно помнить о концепции текущего объекта Figure и текущих осей (графика на объекте).

Дальше будет пример с двумя подграфиками на одном Figure. Функция subplot(), помимо разделения объекта на разные зоны для рисования, используется для фокусировки команды на конкретном подграфике.

Аргументы, переданные subplot(), задают режим разделения и определяют текущий подграфик. Этот график будет единственным, на который воздействуют команды. Аргумент функции subplot() состоит из трех целых чисел. Первое определяет количество частей, на которое нужно разбить объект по вертикали. Второе — горизонтальное разделение. А третье число указывает на текущий подграфик, для которого будут актуальны команды.

Дальше будут отображаться тренды синусоиды (синус и косинус), и лучше всего разделить полотно по вертикали на два горизонтальных подграфика. В график передают числа 211 и 212.

t = np.arange(0,5,0.1)
y1 = np.sin(2*np.pi*t)
y2 = np.sin(2*np.pi*t)
plt.subplot(211)
plt.plot(t,y1,'b-.')
plt.subplot(212)
plt.plot(t,y2,'r--')
plt.show()

Теперь — то же самое для двух вертикальных подграфиков. Передаем в качестве аргументов 121 и 122.

t = np.arange(0.,1.,0.05)
y1 = np.sin(2*np.pi*t)
y2 = np.cos(2*np.pi*t)
plt.subplot(121)
plt.plot(t,y1,'b-.')
plt.subplot(122)
plt.plot(t,y2,'r--')
plt.show()

Добавление элементов на график

Чтобы сделать график более информативным, недостаточно просто представлять данные с помощью линий и маркеров и присваивать диапазон значений с помощью двух осей. Есть и множество других элементов, которые можно добавить на график, чтобы наполнить его дополнительной информацией.

В этом разделе добавим на график текстовые блоки, легенду и так далее.

Добавление текста

Вы уже видели, как добавить заголовок с помощью функции title(). Два других текстовых индикатора можно добавить с помощью меток осей. Для этого используются функции xlabel() и ylabel(). В качестве аргумента они принимают строку, которая будет выведена.

количество команд для представления графика постоянно растет. Но их не нужно переписывать каждый раз. Достаточно использовать стрелки на клавиатуре, вызывая раннее введенные команды и редактируя их с помощью новых строк (в тексте они выделены жирным).

Теперь добавим две метки на график. Они будут описывать тип значений на каждой из осей.

plt.axis([0,5,0,20])
plt.title('My first plot')
plt.xlabel('Counting')
plt.ylabel('Square values')
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Благодаря ключевым словам можно менять характеристики текста. Например, можно поменять заголовок, выбрав другой шрифт и увеличив его размер. Также можно менять цвета меток осей, чтобы акцентировать внимание на заголовке всего графика.

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Но в matplotlib можно делать даже больше: pyplot позволяет добавлять текст в любом месте графика. Это делается с помощью специальной функции text().

text(x,y,s, fontdict=None, **kwargs)

Первые два аргумента — это координаты, в которых нужно разметить текст. s — это строка с текстом, а fontdict (опционально) — желаемый шрифт. Разрешается использовать и ключевые слова.

Добавим метку для каждой точки графика. Поскольку первые два аргумента в функции являются координатами, координаты всех точек по оси y немного сдвинутся.

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Теперь у каждой точки есть своя метка.

Поскольку matplotlib — это графическая библиотека, созданная для использования в научных кругах, она должна быть способна в полной мере использовать научный язык, включая математические выражения. matplotlib предоставляет возможность интегрировать выражения LaTeX, что позволяет добавлять выражения прямо на график.

Для этого их нужно заключить в два символа $. Интерпретатор распознает их как выражения LaTeX и конвертирует соответствующий график. Это могут быть математические выражения, формулы, математические символы или греческие буквы. Перед LaTeX нужно добавлять r, что означает сырой текст. Это позволит избежать появления исключающих последовательностей.

Также разрешается использовать ключевые слова, чтобы дополнить текст графика. Например, можно добавить формулу, описывающую тренд и цветную рамку.

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})         
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Добавление сетки

Также на график можно добавить сетку. Часто это необходимо, чтобы лучше понимать положение каждой точки на графике.

Это простая операция. Достаточно воспользоваться функцией grid(), передав в качестве аргумента True.

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})  
plt.grid(True)
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.show()

Добавление легенды

Также на графике должна присутствовать легенда. pyplot предлагает функцию legend() для добавления этого элемента.

В функцию нужно передать строку, которая будет отображаться в легенде. В этом примере текст First series характеризует входящий массив данных.

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})  
plt.grid(True)
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.legend(['First series'])
plt.show()

По умолчанию легенда добавляется в правом верхнем углу. Чтобы поменять это поведение, нужно использовать несколько аргументов-ключевых слов. Так, для выбора положения достаточно передать аргумент loc со значением от 0 до 10. Каждая из цифр обозначает один из углов. Значение 1 — значение по умолчанию, то есть, верхний правый угол. В следующем примере переместим легенду в левый верхний угол, чтобы она не пересекалась с точками на графике.

Тут важно сделать одну ремарку. Легенды используются для указания определения набора данных с помощью меток, ассоциированных с определенным цветом и/или маркером. До сих пор в примерах использовался лишь один набор данных, переданный с помощью одной функции plot(). Но куда чаще один график может использоваться для нескольких наборов данных. С точки зрения кода каждый такой набор будет характеризоваться вызовом одной функции plot(), а порядок их определения будет соответствовать порядку текстовых меток, переданных в качестве аргумента функции legend().

import matplotlib.pyplot as plt
plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})  
plt.grid(True)
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.plot([1,2,3,4],[0.8,3.5,8,15],'g^')
plt.plot([1,2,3,4],[0.5,2.5,4,12],'b*')
plt.legend(['First series','Second series','Third series'], loc=2)
plt.show()

Сохранение графиков

В этом разделе разберемся, как сохранять график разными способами. Если в будущем потребуется использовать график в разных Notebook или сессиях Python, то лучший способ — сохранять графики в виде кода Python. С другой стороны, если они нужны в отчетах или презентациях, то подойдет сохранение в виде изображения. Можно даже сохранить график в виде HTML-страницы, что пригодится при работе в интернете.

Сохранение кода

Как уже стало понятно, объем кода, отвечающего за представление одного графика, постоянно растет. Когда финальный результат удовлетворяет, его можно сохранить в файле .py, который затем вызывается в любой момент.

Также можно использовать команду %save [имя файла] [количество строк кода], чтобы явно указать, сколько строк нужно сохранить. Если весь код написан одним запросом, тогда нужно добавить лишь номер его строки. Если же использовалось несколько команд, например, от 10 до 20, то эти числа и нужно записать, разделив их дефисом (10-20).

В этом примере сохранить весь код, отвечающий за формирование графика, можно с помощью ввода со строки 171.

In [171]: import matplotlib.pyplot as plt

Такую команду потребуется ввести для сохранения в файл .py.

%save my_first_chart 171

После запуска команды файл my_first_chart.py окажется в рабочей директории.

# %load my_first_chart.py
plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})  
plt.grid(True)
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.plot([1,2,3,4],[0.8,3.5,8,15],'g^')
plt.plot([1,2,3,4],[0.5,2.5,4,12],'b*')
plt.legend(['First series','Second series','Third series'], loc=2)
plt.show()

Позже, когда вы откроете сессию IPython, у вас уже будет готовый график и его можно редактировать с момента сохранения этой командой:

ipython qtconsole --matplotlib inline -m my_first_chart.py

Либо его можно загрузить заново в один запрос в QtConsole с помощью команды %load.

%load my_first_chart.py

Или запустить в уже активной сессии с помощью %run.

%run my_first_chart.py

в определенных случаях последняя команда будет работать только после ввода двух предыдущих.

Сохранение сессии в HTML-файл

С помощью IPython QtConsole вы можете конвертировать весь код и графику, представленные в текущей сессии, в одну HTML-страницу. Просто выберите File → Save to HTML/XHTML в верхнем меню.

Будет предложено сохранить сессию в одном из двух форматов: HTML и XHTML. Разница между ними заключается в типе сжатия изображения. Если выбрать HTML, то все картинки конвертируются в PNG. В случае с XHTML будет выбран формат SVG.

В этом примере сохраним сессию в формате HTML в файле my_session.html.

Дальше программа спросит, сохранить ли изображения во внешней директории или прямо в тексте. В первом случае все картинки будут храниться в папке my_session_files, а во втором — будут встроены в HTML-код.

Сохранение графика в виде изображения

График можно сохранить и виде файла-изображения, забыв обо всем написанном коде. Для этого используется функция savefig(). В аргументы нужно передать желаемое название будущего файла. Также важно, чтобы эта команда шла в конце, после всех остальных (иначе сохранится пустой PNG-файл).

plt.axis([0,5,0,20])
plt.title('My first plot', fontsize=20, fontname='Times New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values',color='gray')
plt.text(1,1.5,'First')
plt.text(2,4.5,'Second')
plt.text(3,9.5,'Third')
plt.text(4,16.5,'Fourth')
plt.text(1.1,12,r'$y = x^2$', fontsize=20, bbox={'facecolor':'yellow','alpha':0.2})  
plt.grid(True)
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.plot([1,2,3,4],[0.8,3.5,8,15],'g^')
plt.plot([1,2,3,4],[0.5,2.5,4,12],'b*')
plt.legend(['First series','Second series','Third series'], loc=2)
plt.savefig('my_chart.png')

Файл появится в рабочей директории. Он будет называться my_chart.png и включать изображение графика.

Обработка значений дат

Одна из основных проблем при анализе данных — обработка значений дат. Отображение даты по оси (обычно это ось x) часто становится проблемой.

Возьмем в качестве примера линейный график с набором данных, который включает 8 точек, где каждая представляет точку даты на оси x в следующем формате: день-месяц-год.

import datetime
import numpy as np
import matplotlib.pyplot as plt

events = [datetime.date(2015,1,23), 
          datetime.date(2015,1,28),
          datetime.date(2015,2,3),
          datetime.date(2015,2,21),
          datetime.date(2015,3,15),
          datetime.date(2015,3,24),
          datetime.date(2015,4,8),
          datetime.date(2015,4,24)]
readings = [12,22,25,20,18,15,17,14]
plt.plot(events,readings)
plt.show()

Автоматическая расстановка отметок в этом случае — настоящая катастрофа. Даты сложно читать, ведь между ними нет интервалов, и они наслаиваются друг на друга.

Для управления датами нужно определить временную шкалу. Сперва необходимо импортировать matplotlib.dates — модуль, предназначенный для работы с этим типом дат. Затем указываются шкалы для дней и месяцев с помощью MonthLocator() и DayLocator(). В этом случае форматирование играет важную роль, и чтобы не получить наслоение текста, нужно ограничить количество отметок, оставив только год-месяц. Такой формат передается в качестве аргумента функции DateFormatter().

Когда шкалы определены (один — для дней, второй — для месяцев) можно определить два вида пометок на оси x с помощью set_major_locator() и set_minor_locator() для объекта xaxis. Для определения формата текста отметок месяцев используется set_major_formatter.

Задав все эти изменения, можно получить график как на следующем изображении.

import matplotlib.dates as mdates

months = mdates.MonthLocator()
days = mdates.DayLocator()
timeFmt = mdates.DateFormatter('%Y-%m')
events = [datetime.date(2015,1,23), 
          datetime.date(2015,1,28),
          datetime.date(2015,2,3),
          datetime.date(2015,2,21),
          datetime.date(2015,3,15),
          datetime.date(2015,3,24),
          datetime.date(2015,4,8),
          datetime.date(2015,4,24)]
readings = [12,22,25,20,18,15,17,14]
fig, ax = plt.subplots()
plt.plot(events, readings)
ax.xaxis.set_major_locator(months)
ax.xaxis.set_major_formatter(timeFmt)
ax.xaxis.set_minor_locator(days)
plt.show()

In this Python tutorial, we will discuss a scatter plot with a marker using matplotlib in python. And we will also cover the following topics:

• Matplotlib scatter marker
• Matplotlib scatter marker how to plot
• Matplotlib scatter marker example
• Matplotlib scatter marker multiple plot
• Matplotlib scatter marker color
• Matplotlib scatter marker different color for each marker
• Matplotlib scatter maker size
• Matplotlib scatter marker different size for each marker
• Matplotlib scatter marker style
• Matplotlib scatter marker different style for each marker
• Matplotlib scatter marker colormap
• Matplotlib scatter marker outline
• Matplotlib scatter marker text
• Matplotlib scatter marker color by value or category
• Matplotlib scatter marker transparent

• Matplotlib provides a pyplot module for data visualization.
• Under the pyplot module, we have a scatter() function to plot a scatter graph.
• Basically, the scatter() method draws one dot for each observation.
• In matplotlib, plotted points are known as “markers“.
• So that’s why it is called as scatter marker.

Matplotlib scatter marker how to plot

• scatter() method is used to draw a scatter plot.
• It takes the data in the form of arrays.
• It takes values in two arrays of the same length one for the x-axis and the other for the y-axis.

The following steps are used to create a matplotlib scatter marker which is outlined below:

• Defining Libraries: Import the important libraries which are required for the creation of the scatter marker ( For visualization: pyplot from matplotlib, For data creation and manipulation: NumPy).
• Define X and Y: Define the data values on X-axis and Y-axis. It takes data values in the form of an array. Both the are must be of the same size.
• Plot a scatter: By using the scatter() method we can plot a graph.
• Display: At last display the plot by using the show() function.

The syntax to create a matplotlib scatter marker chart is as below:

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, ....)

The above-used parameters are outlined as below:

• x: specify data position on the x-axis.
• y: specify data position on the y-axis.
• s: specify the marker size.
• c: specify the color of dots.
• marker: specify the kind of marker.

Matplotlib scatter marker example

In the above sections, we discussed what a scatter marker graph exactly means. And we have also discussed what are the various steps used to create or plot a matplotlib scatter marker. Now, let’s see how to plot a scatter marker using matplotlib.

Let’s understand the concept with the help of an example as below:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([5,7,8,7,2])
y = np.array([99,103,87,94,78])

# Plot a scatter marker

plt.scatter(x, y)

# Display a graph

plt.show()

• In the above, example we import the matplotlib.pyplot and numpy library.
• Then we define the X-axis and Y-axis points in the array form.
• plt.scatter() method is used to draw a points for each data points.
• Then we finally use the method plt.show() to display the plotted graph.

Read: How to install matplotlib python

Matplotlib scatter marker multiple plot

What happens if we want to draw multiple scatter markers plot in the same figure.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Plot data 

x = np.array([5,7,8,7])
y = np.array([78,77,85,86])
plt.scatter(x, y)

# Plot data

x = np.array([4,7,14,12])
y = np.array([100,105,84,105])
plt.scatter(x, y)

# Display Graph

plt.show()

• In the above example, we conclude that when we plot two different data, the plots were plotted with two different colors.
• By default scatter markers are of blue and orange color.

Matplotlib scatter marker color

We can set the color of our choice for each scatter’s plot.

The syntax to change the color is as given below:

matplotlib.pyplot.scatter(x, y, color=None)

The parameter of the given syntax is outlined below:

• x: specify data position on the x-axis.
• y: specify data position on the y-axis.
• color: To set the color of your choice. Shorthand for color is ‘c‘.

Result: All the markers are of the same color.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([5,7,8,7,2])
y = np.array([99,103,87,94,78])

# Plot a scatter marker

plt.scatter(x, y, color='red')

                       #OR

plt.scatter(x, y, c='cyan')


# Display a graph

plt.show()

• In the above, example we import the matplotlib.pyplot and numpy library.
• Then we define the X-axis and Y-axis points in the array form.
• plt.scatter() method is used to draw points for each data point and we pass an argument color to set the color of the plot.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib plot a line

Matplotlib scatter marker different color for each marker

• If we want to set a different color for each dot or marker we have to define an array consist of colors as values.
• Both the array must be of the same size i.e the color one’s or values one’s.

The syntax for setting different colors for each marker is given below:

matplotlib.pyplot.scatter(x,y,c=None)

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• c: To set the different colors for each dot.

Result: All the markers are of different colors.

Note: For setting different colors for each dot pass ‘c‘ as an argument or color argument.

Let’s understand the concept with the help of an example:

# Import Libraries


import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([5, 7, 8, 7, 2, 6, 12, 3, 5, 63, 22, 69])
y = np.array([10, 15, 12, 11, 63, 45, 56, 36, 56, 99, 21, 23])
colors_set = np.array(["orange","purple","beige","brown","gray","cyan","magenta","red","green","blue","yellow","pink"])

# Plot a scatter marker

plt.scatter(x, y, c=colors_set)

# Display a graph

plt.show()

• In the above, example we import the matplotlib.pyplot and numpy library. Then we define the X-axis and Y-axis points in the array form.
• plt.scatter() method is used to draw points for each data point and we pass an argument ‘c’ to set the different color for each dot. Then we finally use the method plt.show() to display the plotted graph

Read: Python plot multiple lines using Matplotlib

Matplotlib scatter marker size

If we want to set the size of the marker according to our choice. We have to pass the argument ‘s‘.

We can easily increase or decrease the size of the marker according to needs.

The syntax to change the size of the marker is given below:

matplotlib.pyplot.scatter(x, y, s=None)

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• s: To set the size of the marker.

Result: All the markers are of the same size.

Let’s understand the concept with the help of an example given below:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data


x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

# Define scatter() function

plt.scatter(x, y, s=115)

# Display the graph

plt.show()

• In the above, example we import the matplotlib.pyplot and numpy library.
• Then we define the X-axis and Y-axis points in the array form.
• plt.scatter() method is used to draw points for each data point and we pass an argument ‘s’ to set the size of the marker.
• Then we finally use the method plt.show() to display the plotted graph.

Read: What is matplotlib inline

Matplotlib scatter marker different sizes for each marker

When we want to modify the size of each marker. We have to pass the argument ‘s‘ to the method.

This function increase or decrease the size of each marker.

The syntax for the setting the size of each marker is given below:

matplotlib.pyplot.scatter(x, y, s=None)

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• s: To set thediiferent sizes for each marker. The default size is rcParams[‘lines.markersize’]**2

Result: Each marker is of a different size.

Let’s understand the concept with the help of an example given below:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

# Define scatter() function

sizes = (np.random.sample(size=x.size) * 75) ** 2
plt.scatter(x, y, s=sizes)

# Display the graph

plt.show()

• In the above, example we import the matplotlib.pyplot and numpy library.
• Then we define the x-axis and y-axis points in the array form.
• plt.scatter() method is used to draw a marker for each data point. To change the size of each marker we have to pass the argument ‘s’ to the function.
• Then, we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib plot bar chart

Mtplotlib scatter marker style

The programmer can customize the style or shape of the marker. Matplotlib provides the feature to change the marker style.

By using the parameter ‘marker‘, we can change the style or shape of the markers whenever we want.

Some common types of marker style:

The syntax to change the style of the marker is given below:

matplotlib.pyplot.scatter(x, y, marker=None)

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• marker: To set the diiferent style of the marker. By default the style is Circle.

Result: Markers of different styles.

Let’s discuss the above concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

# Define scatter() function


plt.scatter(x, y, marker='>', s = 65)

                     #OR

plt.scatter(x, y, marker='s', s = 165)


# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we define the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point and we pass the parameter ‘marker’ to set the style of the marker.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib subplot tutorial

Matplotlib scatter marker different style for each marker

To differentiate between different groups of data, we have to use different styles of markers. There is no way to define multiple marker styles in a single call to scatter() method.

So, to use different markers styles for different groups’ data we have to scatter() method each time.

The syntax to change the style of each marker:

matplotlib.pyplot.scatter(x, y, marker=None) // Call each time

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• marker: To set the diiferent style of the each marker. Call the function every time.

Result: Return marker with a different style to easily distinguish between different groups of data.

Let’s understand the concept with the help of an example:

# Import Libraries


import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([10, 20, 30, 15, 25, 13, 8, 2])
y1 = np.array([1, 6, 8, 12, 25, 15, 10, 7.5])
y2= np.array([6.5, 3.2, 16, 15, 19, 23, 18.6, 29])

# Define scatter() function

plt.scatter(x, y1, marker='s', s = 265)
plt.scatter(x, y2, marker='d', s = 265)

# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point and we pass the parameter ‘marker’ to set the style of the marker. To set each marker of a different style you have to call the scatter() method each time.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib subplots_adjust

Matplotlib scatter marker colormap

Sometimes, we have to plot the data which depends upon some other data. In such cases, we use color maps.

If you want to include a colormap strip in the graph area use the function plt.colorbar()

The syntax for this is given below:

matplotlib.pyplot.scatter(x, y, c=None, cmap=None) 
matplotlib.pyplot.colorbar()

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• c: specifies the array of colors. It ranges from 0 to 100.
• cmap: specifies the colour map.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([99,86,88,111,103,87,94,78,77,85,86,23,15])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800,65,12])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

# Define scatter() function


plt.scatter(x, y, c=colors, cmap= 'PiYG')

                   #Or


plt.scatter(x, y, c=colors, cmap= 'Dark2')

plt.colorbar()


# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point and we pass the parameter ‘cmap’ to set the color map.
• plt.colorbar() method is used to show the color strip in the plot.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib log log plot

Matplotlib scatter marker outline

We can change the outline of each marker by changing its edge colors. Basically, it creates the outline around the markers with a specific color.

The syntax for this is given below:

matplotlib.pyplot.scatter(x, y, c=None, s=None, edgecolors=None, cmap=None)

The parameter of the given syntax is outlined below:

• x: specifies the position of data on the x-axis.
• y: specifies the position of data on the y-axis.
• c: specifies the array of colors. It ranges from 0 to 100.
• s: specifies the size of the marker
• edgecolors: to set the edge color of the marker
• cmap: specifies the colour map.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = np.array([99,86,88,111,103,87,94,78,77,85,86,23,15])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800,65,12])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

# Define scatter() function

plt.scatter(x, y, c=colors, edgecolors= 'k', s= 120, cmap= 'Dark2')
plt.colorbar()


# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point and we pass the parameter ‘edgecolors’ to set the color of markers edges. Here we set edhe color to black.
• plt.colorbar() method is used to show the color strip in the plot.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib plot_date

Matplotlib scatter marker text

When we want to place a text next to the scatter in matplotlib this process is known as Annotation.

There are two types of Annotation depends upon the number of scatter points we want to annotate.

Types of Annotation are as follow:

• Single point Annotation
• Multiple point Annotation

Matplotlib scatter marker text – single point annotation

In single-point annotation, we can place text at a specific point.

When can use plt.text() method to mention the text.

The syntax for single point annotation is given below:

matplotlib.plot.text(x, y, s)

The parameter of the given syntax is outlined below:

• x: specifies x-axis point to place the text.
• y: specifies y-axis point to place the text.
• s: specifies the text.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data


x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

# Define scatter() function

plt.scatter(x, y)

# Annotate the point

plt.text(99,20, 'Point 1')

# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point.
• plt.text() method is used to annotate the single point.
• Then we finally use the method plt.show() to display the plotted graph.

Matplotlib scatter marker text – all points annotation

If we want to annotate all points in the scatter plot, we have annotate() method in matplotlib.

The syntax for this is given below:

matplotlib.pyplot.annotate(text, (xy))

The parameter of the given syntax is outlined below:

• text: specifies the text for annotation.
• xy: specifies points to be annotated.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data

x = [x for x in range(5)]
y = np.array([20,50,200,500,1000])
text = ["first", "second", "third", "fourth", "fifth"]

# Define scatter() function

plt.scatter(x, y)

# Annotate the point

for i in range(len(x)):
    plt.annotate(text[i], (x[i], y[i] + 0.2))

# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and numpy library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point.
• plt.annotate() method is used to annotate the single point.
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib dashed line

Matplotlib scatter marker color by value or category

In this section, we are going to learn how to color the data points or scatter markers by value or category.

For grouping use ‘groupby‘ clause.

Let’s understand the concept with the help of an example:

# Import Libraries

import pandas as pd
import matplotlib.pyplot as plt

#create DataFrame

df = pd.DataFrame({'x': [10, 12, 13, 14, 19, 23, 25, 30],
                   'y': [5, 7, 7, 9, 12, 9, 9, 4],
                   'z': ['A', 'A', 'A', 'B', 'B', 'C', 'C', 'C']})

#view DataFrame

df

#groupby category

groups = df.groupby('z')
for name, group in groups:
    plt.scatter(group.x, group.y, label=name)

# Display the graph

plt.legend()
plt.show()

• In the above example, we import the matplotlib.pyplot and pandas library.
• Then we create a data frame and define the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data point.
• groupby clause for dividing into groups
• Then we finally use the method plt.show() to display the plotted graph.

Read: Matplotlib plot error bars

Matplotlib scatter marker transparent

When we want to check the density of data plotted and due to lots of overlapping we are not able to see, at that time we need transparency.

The alpha argument is used to make the scatter marker transparent.

alpha parameter removes the outlines of the scatter.

The syntax for transparency is given below:

matplotlib.pyplot.scatter(x, y, alpha=None)

The parameter of the given syntax is outlined below:

• x: specifies the data point on the x-axis.
• y: specifies the data point on the y-axis.
• alpha: set the transparency value. By default value is 1 i.e. no transparency.

Let’s understand the concept with the help of an example:

# Import Libraries

import matplotlib.pyplot as plt
import numpy as np

# Define Data


x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

# Define scatter() function

sizes = (np.random.sample(size=x.size) * 75) ** 2
plt.scatter(x, y, s=sizes, alpha=0.3, c='red')

# Display the graph

plt.show()

• In the above example, we import the matplotlib.pyplot and pandas library.
• Then we dine the x-axis and y-axis points in the form of an array.
• plt.scatter() method is used to draw markers for each data poit and pass the argument ‘alpha‘ to set the transparency. We set alpha =0.3
• Then we finally use the method plt.show() to display the plotted graph.

Also, take a look at some more articles:

• Matplotlib save as png
• Draw vertical line matplotlib
• Put legend outside plot matplotlib

In this Python tutorial, we have discussed the “Matplotlib scatter marker” and we have also covered some examples related to it. There are the following topics that we have discussed in this tutorial.

• Matplotlib scatter marker
• Matplotlib scatter marker how to plot
• Matplotlib scatter marker example
• Matplotlib scatter marker multiple plot
• Matplotlib scatter marker color
• Matplotlib scatter marker different color for each marker
• Matplotlib scatter maker size
• Matplotlib scatter marker different size for each marker
• Matplotlib scatter marker style
• Matplotlib scatter marker different style for each marker
• Matplotlib scatter marker colormap
• Matplotlib scatter marker outline
• Matplotlib scatter marker text
• Matplotlib scatter marker color by value or category
• Matplotlib scatter marker transparent

Watch Now This tutorial has a related video course created by the Real Python team. Watch it together with the written tutorial to deepen your understanding: Using plt.scatter() to Visualize Data in Python

An important part of working with data is being able to visualize it. Python has several third-party modules you can use for data visualization. One of the most popular modules is Matplotlib and its submodule pyplot, often referred to using the alias plt. Matplotlib provides a very versatile tool called plt.scatter() that allows you to create both basic and more complex scatter plots.

Below, you’ll walk through several examples that will show you how to use the function effectively.

In this tutorial you’ll learn how to:

• Create a scatter plot using plt.scatter()
• Use the required and optional input parameters
• Customize scatter plots for basic and more advanced plots
• Represent more than two dimensions on a scatter plot

To get the most out of this tutorial, you should be familiar with the fundamentals of Python programming and the basics of NumPy and its ndarray object. You don’t need to be familiar with Matplotlib to follow this tutorial, but if you’d like to learn more about the module, then check out Python Plotting With Matplotlib (Guide).

$ python -m pip install matplotlib

import matplotlib.pyplot as plt

price = [2.50, 1.23, 4.02, 3.25, 5.00, 4.40]
sales_per_day = [34, 62, 49, 22, 13, 19]

plt.scatter(price, sales_per_day)
plt.show()

plt.plot(price, sales_per_day, "o")
plt.show()

import timeit
import matplotlib.pyplot as plt

price = [2.50, 1.23, 4.02, 3.25, 5.00, 4.40]
sales_per_day = [34, 62, 49, 22, 13, 19]

print(
    "plt.scatter()",
    timeit.timeit(
        "plt.scatter(price, sales_per_day)",
        number=1000,
        globals=globals(),
    ),
)
print(
    "plt.plot()",
    timeit.timeit(
        "plt.plot(price, sales_per_day, 'o')",
        number=1000,
        globals=globals(),
    ),
)

import matplotlib.pyplot as plt
import numpy as np

price = np.asarray([2.50, 1.23, 4.02, 3.25, 5.00, 4.40])
sales_per_day = np.asarray([34, 62, 49, 22, 13, 19])
profit_margin = np.asarray([20, 35, 40, 20, 27.5, 15])

plt.scatter(x=price, y=sales_per_day, s=profit_margin * 10)
plt.show()

# ...

low = (0, 1, 0)
medium = (1, 1, 0)
high = (1, 0, 0)

sugar_content = [low, high, medium, medium, high, low]

plt.scatter(
    x=price,
    y=sales_per_day,
    s=profit_margin * 10,
    c=sugar_content,
)
plt.show()

import matplotlib.pyplot as plt
import numpy as np

low = (0, 1, 0)
medium = (1, 1, 0)
high = (1, 0, 0)

price_orange = np.asarray([2.50, 1.23, 4.02, 3.25, 5.00, 4.40])
sales_per_day_orange = np.asarray([34, 62, 49, 22, 13, 19])
profit_margin_orange = np.asarray([20, 35, 40, 20, 27.5, 15])
sugar_content_orange = [low, high, medium, medium, high, low]

price_cereal = np.asarray([1.50, 2.50, 1.15, 1.95])
sales_per_day_cereal = np.asarray([67, 34, 36, 12])
profit_margin_cereal = np.asarray([20, 42.5, 33.3, 18])
sugar_content_cereal = [low, high, medium, low]

plt.scatter(
    x=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * 10,
    c=sugar_content_orange,
)
plt.scatter(
    x=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * 10,
    c=sugar_content_cereal,
)
plt.show()

import matplotlib.pyplot as plt
import numpy as np

low = (0, 1, 0)
medium = (1, 1, 0)
high = (1, 0, 0)

price_orange = np.asarray([2.50, 1.23, 4.02, 3.25, 5.00, 4.40])
sales_per_day_orange = np.asarray([34, 62, 49, 22, 13, 19])
profit_margin_orange = np.asarray([20, 35, 40, 20, 27.5, 15])
sugar_content_orange = [low, high, medium, medium, high, low]

price_cereal = np.asarray([1.50, 2.50, 1.15, 1.95])
sales_per_day_cereal = np.asarray([67, 34, 36, 12])
profit_margin_cereal = np.asarray([20, 42.5, 33.3, 18])
sugar_content_cereal = [low, high, medium, low]

plt.scatter(
    x=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * 10,
    c=sugar_content_orange,
)
plt.scatter(
    x=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * 10,
    c=sugar_content_cereal,
    marker="d",
)
plt.show()

# ...

plt.scatter(
    x=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * 10,
    c=sugar_content_orange,
    alpha=0.5,
)
plt.scatter(
    x=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * 10,
    c=sugar_content_cereal,
    marker="d",
    alpha=0.5,
)

plt.title("Sales vs Prices for Orange Drinks and Cereal Bars")
plt.legend(["Orange Drinks", "Cereal Bars"])
plt.xlabel("Price (Currency Unit)")
plt.ylabel("Average weekly sales")
plt.text(
    3.2,
    55,
    "Size of marker = profit marginn" "Color of marker = sugar content",
)

plt.show()

sugar_content_orange = [15, 35, 22, 27, 38, 14]
sugar_content_cereal = [21, 49, 29, 24]

# ...

plt.scatter(
    x=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * 10,
    c=sugar_content_orange,
    cmap="jet",
    alpha=0.5,
)
plt.scatter(
    x=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * 10,
    c=sugar_content_cereal,
    cmap="jet",
    marker="d",
    alpha=0.5,
)

plt.title("Sales vs Prices for Orange Drinks and Cereal Bars")
plt.legend(["Orange Drinks", "Cereal Bars"])
plt.xlabel("Price (Currency Unit)")
plt.ylabel("Average weekly sales")
plt.text(
    2.7,
    55,
    "Size of marker = profit marginn" "Color of marker = sugar content",
)
plt.colorbar()

plt.show()

>>> plt.style.available
[
    "Solarize_Light2",
    "_classic_test_patch",
    "bmh",
    "classic",
    "dark_background",
    "fast",
    "fivethirtyeight",
    "ggplot",
    "grayscale",
    "seaborn",
    "seaborn-bright",
    "seaborn-colorblind",
    "seaborn-dark",
    "seaborn-dark-palette",
    "seaborn-darkgrid",
    "seaborn-deep",
    "seaborn-muted",
    "seaborn-notebook",
    "seaborn-paper",
    "seaborn-pastel",
    "seaborn-poster",
    "seaborn-talk",
    "seaborn-ticks",
    "seaborn-white",
    "seaborn-whitegrid",
    "tableau-colorblind10",
]

import matplotlib.pyplot as plt
import numpy as np

plt.style.use("seaborn")

# ...

import matplotlib.pyplot as plt
import numpy as np

mean = 15, 45
sd = 5, 7

x = np.linspace(0, 59, 60)  # Represents each minute within the hour
first_distribution = np.exp(-0.5 * ((x - mean[0]) / sd[0]) ** 2)
second_distribution = 0.9 * np.exp(-0.5 * ((x - mean[1]) / sd[1]) ** 2)
y = first_distribution + second_distribution
y = y / max(y)

plt.plot(x, y)
plt.ylabel("Relative probability of bus arrivals")
plt.xlabel("Minutes past the hour")
plt.show()

import random
import matplotlib.pyplot as plt
import numpy as np

n_buses = 40
bus_times = np.asarray([random.randint(0, 59) for _ in range(n_buses)])
bus_likelihood = np.asarray([random.random() for _ in range(n_buses)])

plt.scatter(x=bus_times, y=bus_likelihood)
plt.title("Randomly chosen bus arrival times and relative probabilities")
plt.ylabel("Relative probability of bus arrivals")
plt.xlabel("Minutes past the hour")
plt.show()

import random
import matplotlib.pyplot as plt
import numpy as np

mean = 15, 45
sd = 5, 7

x = np.linspace(0, 59, 60)
first_distribution = np.exp(-0.5 * ((x - mean[0]) / sd[0]) ** 2)
second_distribution = 0.9 * np.exp(-0.5 * ((x - mean[1]) / sd[1]) ** 2)
y = first_distribution + second_distribution
y = y / max(y)

n_buses = 40
bus_times = np.asarray([random.randint(0, 59) for _ in range(n_buses)])
bus_likelihood = np.asarray([random.random() for _ in range(n_buses)])

plt.scatter(x=bus_times, y=bus_likelihood)
plt.plot(x, y)
plt.title("Randomly chosen bus arrival times and relative probabilities")
plt.ylabel("Relative probability of bus arrivals")
plt.xlabel("Minutes past the hour")
plt.show()

# ...

in_region = bus_likelihood < y[bus_times]
out_region = bus_likelihood >= y[bus_times]

plt.scatter(
    x=bus_times[in_region],
    y=bus_likelihood[in_region],
    color="green",
)
plt.scatter(
    x=bus_times[out_region],
    y=bus_likelihood[out_region],
    color="red",
    marker="x",
)

plt.plot(x, y)
plt.title("Randomly chosen bus arrival times and relative probabilities")
plt.ylabel("Relative probability of bus arrivals")
plt.xlabel("Minutes past the hour")
plt.show()

Watch Now This tutorial has a related video course created by the Real Python team. Watch it together with the written tutorial to deepen your understanding: Using plt.scatter() to Visualize Data in Python