在本篇文章中，我们将接触一个新的绘图函数plt.scatter( )，它用于散点图的绘制。从前几篇文章中，我们已经深知，学习Matplotlib绘图其实就是学习绘图函数中的参数！将参数活学活用，不同的参数搭配会产生不同的化学效应！
接下来，我们开始学习plt.scatter( )中各参数的作用以及参数值的传入
话不多说，直接上干货
如何查看一个函数有哪些参数？
第一步：以pycharm为例，在代码中，光标移动到函数名上，双击函数名（这里以sactter为例），变为下图显示方式
第二步：Ctrl+Q，如下图所示，你就能知道该函数有哪些参数了
可以看到，在scatter( )中，其参数如下：
matplotlib下面，我将参数分为两大类，分开讲解
（1）基本参数讲解
- x, y → 散点的坐标
- s → 散点的面积
- c → 散点的颜色（默认值为蓝色，'b'，其余颜色同plt.plot( )）
- marker → 散点样式（默认值为实心圆，'o'，其余样式同plt.plot( )）
- alpha → 散点透明度（[0, 1]之间的数，0表示完全透明，1则表示完全不透明）
- linewidths→散点的边缘线宽
- edgecolors→ 散点的边缘颜色
这里为了生成点的坐标，用到了numpy中的随机数生成器 np.random.rand(d0, d1, ..., dn)
- rand( )函数根据给定维度生成[0,1)之间的随机数据（包含0，不包含1）
- dn表示生成数据的维度
- 返回值为指定维度的array
上代码直观感受
np.random.rand(4)生成了一维数据，如下[0.90906869 0.90382675 0.12846739 0.82934525]
np.random.rand(4,2)生成了二维数据，如下[[0.06704094 0.39773471][0.66768398 0.22644566][0.33790806 0.04170456][0.68308087 0.85099505]]
以此类推 np.random.rand(d0, d1, ..., dn)可以生成n维随机数
有这一利器，我们的随机散点坐标就有了着落，上代码上图
import 
通过上面给出的基本参数进行优化，代码及图如下
import 
有些明眼人一看，怎么优化前后两幅图散点的位置不一样了！？~
这就对了，因为这些点是由随机数生成器np.random.rand( )产生的，所以每次都不一样
（2）高级参数讲解
- cmap →指的是matplotlib.colors.Colormap，相当于多个调色盘的合集
- norm、vmin、vmax →散点颜色亮度设置
上代码上图，进一步解释
为了演示，这里要用到一点伪随机数生成方法，不做过多解释，不理解的请移步
【数据处理】numpy.random.RandomState的用法
import 这里从cmap中选取了一个叫做'viridis'的调色盘，其作用是，将参数c中获取到的数值，映射到“色盘”中已经对应好的颜色上，多读两遍，好好理解！
并且上图中从“色盘”viridis中获取到的颜色，可以通过plt.colorbar( )显示为颜色条（与热力图同理）。
代码和可视化结果图如下所示
import 
从上图上，可以很明显的看出：
颜色映射的这维属性数据（颜色条表示），其值主要集中于[0.4, 0.8]之间
为了更好的观察这维属性数据，可以重新设置颜色条的映射范围
需要用到colors.Normalize( )，使用方法如下：
class matplotlib.colors.Normalize(vmin=None, vmax=None)
参数 vmin、vmax 分别为要设置的数据范围的最小值和最大值（注意：设置之后，原来大于vmax的值被“拉低”成vmax；原来小于vmin的值被“拉高”成vmin）
代码和可视化结果图如下所示
import 
对于数据可视化而言，我们要用多种方式方法，将数据映射到可视化界面上，因此，散点大小，形状，颜色等等均可以表示数据集中的某维属性，好好理解一下！
好了，今天到此为止，希望大家喜欢，动动小手，关注点赞~