<think>
根据用户的问题，用户想要了解如何使用Python的matplotlib库中的scatter函数将两组数据绘制在同一个散点图中。结合之前的引用内容，我们可以通过以下步骤实现：
步骤：
1. 导入必要的库（matplotlib.pyplot）
2. 准备两组数据，每组数据包含x坐标和y坐标（假设第一组数据为x1, y1；第二组数据为x2, y2）
3. 使用scatter函数分别绘制两组数据，可以通过设置不同的颜色（c参数）或标记（marker参数）来区分两组数据
4. 添加必要的图表元素（如标题、坐标轴标签、图例等）
5. 显示图表
示例代码：
```python
import matplotlib.pyplot as plt
# 第一组数据
x1 = [1, 2, 3, 4, 5]
y1 = [2, 3, 5, 7, 11]
# 第二组数据
x2 = [1, 2, 3, 4, 5]
y2 = [1, 4, 9, 16, 25]
# 创建散点图
plt.scatter(x1, y1, c='blue', label='Group 1') # 第一组用蓝色
plt.scatter(x2, y2, c='red', label='Group 2') # 第二组用红色
# 添加标题和标签
plt.title('Scatter Plot of Two Groups')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
# 添加图例
plt.legend()
# 显示图表
plt.show()
```
在这个示例中，我们分别调用了两次`scatter`函数，每次传入一组数据，并设置不同的颜色和标签。然后通过`plt.legend()`显示图例，这样就可以在同一个图中区分两组数据。
此外，还可以通过设置不同的标记样式（marker参数）来区分，例如：
```python
plt.scatter(x1, y1, c='blue', marker='o', label='Group 1') # 圆形
plt.scatter(x2, y2, c='red', marker='^', label='Group 2') # 三角形
```
这样，两组数据就会以不同的形状显示在同一个散点图中。
引用说明：
- 引用[1]和[3]中提到了scatter函数的基本用法和参数，包括x, y, c, label等，这些参数在示例中都有使用。
- 引用[2]中提到了绘制单个点的方法，但这里我们扩展到了多个点并组合在一起。
注意：确保在绘制完所有数据点之后再调用`plt.legend()`和`plt.show()`。
</think>在同一个散点图中绘制两组数据是数据可视化的常见需求，使用matplotlib的`scatter()`函数可以轻松实现。以下是详细步骤和示例代码：
### 绘制两组数据的散点图方法
1. **导入库**：导入matplotlib.pyplot库
2. **准备数据**：创建两组不同的x、y坐标数据
3. **分别绘制**：调用两次`scatter()`函数，分别传入两组数据
4. **设置区分**：通过不同颜色、标记样式或标签区分两组数据
5. **添加图例**：使用`legend()`函数显示图例
### 完整代码示例
```python
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
x1 = np.random.rand(50) * 10 # 第一组x坐标
y1 = 2 * x1 + np.random.randn(50) # 第一组y坐标 (线性关系+噪声)
x2 = np.random.rand(50) * 10 # 第二组x坐标
y2 = 3 * x2 + np.random.randn(50) + 5 # 第二组y坐标 (不同斜率和截距)
# 创建图形和坐标轴
plt.figure(figsize=(10, 6))
# 绘制第一组数据（蓝色圆圈）
plt.scatter(x1, y1,
c='blue', # 颜色
marker='o', # 标记形状
s=60, # 点大小
alpha=0.7, # 透明度
label='Group 1') # 图例标签
# 绘制第二组数据（红色三角形）
plt.scatter(x2, y2,
c='red',
marker='^',
s=80,
alpha=0.7,
label='Group 2')
# 添加图表元素
plt.title('两组数据的散点图对比', fontsize=14)
plt.xlabel('X轴', fontsize=12)
plt.ylabel('Y轴', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.3) # 添加网格线
plt.legend(fontsize=10) # 显示图例
# 显示图表
plt.show()
```
### 关键参数说明
1. **区分方式**：
- `c`：设置颜色（如'blue'、'red'或十六进制颜色码'#1f77b4'）
- `marker`：设置标记形状（如'o'圆形、's'方形、'^'三角形）
- `s`：控制点的大小（标量或数组）
- `label`：设置图例标签（必须配合`plt.legend()`使用）
2. **高级技巧**：
```python
# 使用不同大小表示第三维度
sizes = np.random.randint(20, 200, len(x1))
plt.scatter(x1, y1, s=sizes, alpha=0.5)
# 使用颜色映射
colors = np.random.rand(len(x2))
plt.scatter(x2, y2, c=colors, cmap='viridis')
```
3. **保存图像**：
```python
plt.savefig('scatter_plot.png', dpi=300, bbox_inches='tight')
```
### 注意事项
1. 确保两组数据的坐标范围相似，否则可能需调整坐标轴：
```python
plt.xlim(0, 12) # 手动设置x轴范围
plt.ylim(0, 40) # 手动设置y轴范围
```
2. 当点较多时，调整透明度（`alpha`参数）可避免重叠点遮挡
3. 使用`plt.subplots()`可创建更复杂的多子图布局
这种方法在科研数据分析、机器学习可视化、商业数据对比等场景非常实用，能清晰展示不同数据集的关系和差异[^1][^3]。
订阅专栏 解锁全文
扫一扫
603
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
