Python 如何在散点图上分离数据集

我对python非常陌生，但我对学习一种新技术感兴趣，通过这种技术，我可以根据散点图中的不同数据点在散点图中的位置，用不同的标记识别散点图中的不同数据点

我的具体例子与此非常相关：

我有一个BPT图，想沿着分界线分割数据

我有一个以下格式的数据集：

data = [[a,b,c],
        [a,b,c],
        [a,b,c]
]

我还有以下关于分界线的信息：

NII   = np.linspace(-3.0, 0.35)

def log_OIII_Hb_NII(log_NII_Ha, eps=0):
    return 1.19 + eps + 0.61 / (log_NII_Ha - eps - 0.47)

---

任何帮助都会很好

我假设您的示例中的像素坐标为

a，b

。带有

c

s的列则用于计算点是否属于这两个组中的一个

首先将数据设置为

ndarray

：

import numpy as np

data = np.array(data)

现在，您可以通过检查数据的哪个部分属于哪个区域来创建两个数组：

dataselector = log_OIII_Hb_NII(data[:,2]) > 0

这将创建一个True和False向量，每当第三列（第2列）中的数据从函数中给出正值时，该向量都具有True。向量的长度等于

数据中的行数

然后可以绘制两个数据集：

import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(111)

# the plotting part
ax.plot(data[dataselector,0], data[dataselector,1], 'ro')
ax.plot(data[-dataselector,0], data[-dataselector,1], 'bo')

即：


创建一个真/假值列表，告诉哪些
数据行属于哪个组

绘制两个组（
-dataselector
表示“在
dataselector
中存在False的所有行”）
评论部分没有足够的空间。与@DrV所写内容没有太大不同，但可能更倾向于天文：

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

def log_OIII_Hb_NII(log_NII_Ha, eps=0):
    return 1.19 + eps + 0.61 / (log_NII_Ha - eps - 0.47)

# Make some fake measured NII_Ha data
iternum = 100

# Ranged -2.1 to 0.4:
Measured_NII_Ha = np.array([random.random()*2.5-2.1 for i in range(iternum)])
# Ranged -1.5 to 1.5:
Measured_OIII_Hb = np.array([random.random()*3-1.5 for i in range(iternum)])

# For our measured x-value, what is our cut-off value
Measured_Predicted_OIII_Hb = log_OIII_Hb_NII(Measured_NII_Ha)

# Now compare the cut-off line to the measured emission line fluxes
# by using numpy True/False arrays
#
# i.e., x = numpy.array([1,2,3,4])
# >> index = x >= 3
# >> print(index)
# >> numpy.array([False, False, True, True])
# >> print(x[index])
# >> numpy.array([3,4])

Above_Predicted_Red_Index = Measured_OIII_Hb > Measured_Predicted_OIII_Hb
Below_Predicted_Blue_Index = Measured_OIII_Hb < Measured_Predicted_OIII_Hb
# Alternatively, you can invert Above_Predicted_Red_Index



# Make the cut-off line for a range of values for plotting it as
# a continuous line
Predicted_NII_Ha = np.linspace(-3.0, 0.35)
Predicted_log_OIII_Hb_NII = log_OIII_Hb_NII(Predicted_NII_Ha)

fig = plt.figure(0)
ax = fig.add_subplot(111)

# Plot the modelled cut-off line
ax.plot(Predicted_NII_Ha, Predicted_log_OIII_Hb_NII, color="black", lw=2)

# Plot the data for a given colour
ax.errorbar(Measured_NII_Ha[Above_Predicted_Red_Index], Measured_OIII_Hb[Above_Predicted_Red_Index], fmt="o", color="red")
ax.errorbar(Measured_NII_Ha[Below_Predicted_Blue_Index], Measured_OIII_Hb[Below_Predicted_Blue_Index], fmt="o", color="blue")

# Make it aesthetically pleasing
ax.set_ylabel(r"$\rm \log([OIII]/H\beta)$")
ax.set_xlabel(r"$\rm \log([NII]/H\alpha)$")

plt.show()

随机导入
将numpy作为np导入
将matplotlib.pyplot作为plt导入
def log_OIII_Hb_NII（log_NII_Ha，eps=0）：
回报率1.19+eps+0.61/（对数年收益率-eps-0.47）
#制作一些假的NII_Ha测量数据
iternum=100
#范围为-2.1至0.4：
测量值\u NII\u Ha=np.数组（[random.random（）*2.5-2.1表示范围内的i（iternum）]）
#范围为-1.5至1.5：
测量的_OIII_Hb=np.数组（[random.random（）*3-1.5表示范围内的i（iternum）]）
#对于我们测量的x值，我们的截止值是多少
测量值=预测值=对数值（测量值）
#现在将截止线与测量的排放线通量进行比较
#通过使用numpy真/假数组
#
#即x=numpy.数组（[1,2,3,4]）
#>>索引=x>=3
#>>打印（索引）
#>>numpy.array（[False，False，True，True]）
#>>打印（x[索引]）
#>>numpy.array（[3,4]）
上述预测指数=测量值>测量值>预测值
低于预测值的蓝色指数=测量值的血红蛋白<测量值的血红蛋白
#或者，您可以反转以上的预测红色指数
#将一系列值的截止线绘制为
#连续线
预测的最小值=np.linspace（-3.0,0.35）
预测值=log\u OIII\u Hb\u NII=log\u OIII\u Hb\u NII（预测值）
图=plt.图（0）
ax=图添加_子批次（111）
#绘制模拟的截止线
ax.曲线图（预测值（Ha）、预测值（log）、预测值（Hb）、预测值（color=“black”、lw=2）
#绘制给定颜色的数据
最大误差条（测量值为[高于预测值的红色指数]、测量值为[高于预测值的红色指数]、fmt=“o”、color=“红色”）
最大误差条（测量值为[低于预测值的蓝色指数]、测量值为[低于预测值的蓝色指数]、fmt=“o”、color=“蓝色”）
#使其美观
ax.set\u ylabel（r“$\rm\log（[OIII]/H\beta）$”）
ax.set\u xlabel（r“$\rm\log（[NII]/H\alpha）$”）
plt.show（）

您可以做的是根据数据列表在分界线定义的两个平面内的位置，将其拆分为两个列表。完成后，可以分别决定每组数据的颜色（和大小…）