Python 如何在散点图上有多个分类标记

我想训练逻辑回归模型，然后创建一个显示边界线的图，但要以特定的方式

我目前的工作

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from matplotlib.colors import ListedColormap

cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])

# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features.
Y = iris.target

logreg = LogisticRegression(C=1e5)

# Create an instance of Logistic Regression Classifier and fit the data.
logreg.fit(X, Y)

# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, x_max]x[y_min, y_max].
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
h = .02  # step size in the mesh
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])

# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))

plt.pcolormesh(xx, yy, Z, cmap=cmap_light)
# Plot also the training points

plt.scatter(X[:, 0], X[:,1], c=Y, marker='x',edgecolors='k', cmap=cmap_bold)
plt.xlabel('Sepal length'),
plt.ylabel('Sepal width')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())

plt.show()

但是我觉得它很难读懂。我想在左上角为每个分类和图例设置其他标记。如下图所示：

---

你知道我该怎么改变吗？我玩了

marker='s'

，

marker='x'

，但是这些改变了散点图上的所有点，而不是一个特定的分类。

因为您是用分类值绘制的，所以您可以单独绘制每个类：

# Replace this
# plt.scatter(X[:, 0], X[:,1], c=Y, marker='x',edgecolors='k', cmap=cmap_bold)
# with this

markers = 'sxo'
for m,i in zip(markers,np.unique(Y)):
    mask = Y==i
    plt.scatter(X[mask, 0], X[mask,1], c=cmap_bold.colors[i],
                marker=m,edgecolors='k', label=i)
plt.legend()

输出：

---

您需要将对

plt.scatter的单个调用更改为对每个标记类型的一个调用，因为matplotlib不允许像对颜色那样传递多个标记类型

绘图代码类似于

#将结果放入彩色绘图中
Z=Z.重塑（xx.形状）
plt.图（1，figsize=（4，3））
plt.pcolormesh（xx，yy，Z，cmap=cmap_灯）
#同时绘制训练点
X0=X[Y==0]
X1=X[Y==1]
X2=X[Y==2]
Y0=Y[Y==0]
Y1=Y[Y==1]
Y2=Y[Y==2]
plt.散射（X0[：，0]，X0[：，1]，marker='s'，color=“red”）
plt.散射（X1[：，0]，X1[：，1]，marker='x'，color=“blue”）
plt.散射（X2[：，0]，X2[：，1]，marker='o'，color='green'））
plt.xlabel（‘萼片长度’），
plt.ylabel（'萼片宽度'）
plt.xlim（xx.min（），xx.max（））
plt.ylim（yy.min（），yy.max（））
plt.xticks（（））
plt.yticks（（））
plt.show（）

您可以在其中单独设置每个类的标记类型和颜色。您还可以创建标记类型列表和颜色列表，并使用循环。

我发现从
X
和
Y
创建一个数据帧，然后用图形绘制数据点更容易。

是matplotlib的高级api
如中所示，dataframe列可用于指定拟合的所有数据以及x和y最小值和最大值



加载并设置数据
将numpy导入为np
将matplotlib.pyplot作为plt导入#版本3.3.1
从sklearn.linear_模型导入逻辑回归
从sklearn导入数据集
从matplotlib.colors导入ListedColormap
进口seaborn#versuin 0.11.0
导入熊猫#版本1.1.3
cmap#U light=ListedColormap（['#ffaaa'，'#AAFFAA'，'#AAAAFF']））
cmap#u bold=ListedColormap（['FF0000'，'00FF00'，'0000FF']））
#seaborn.scatterplot调色板参数采用列表
调色板=['#FF0000'、'#00FF00'、'#0000FF']
#导入一些数据进行播放
iris=数据集。加载\u iris（）
X=iris.data[：，：2]#我们只取前两个特征。
Y=iris.target
#将X&Y添加到数据帧
df=pd.DataFrame（X，columns=iris.feature\u名称[：2]）
df['label']=Y
#将数值映射到物种名称并将其添加到数据框
物种地图=dict（zip（范围（3），鸢尾。目标名称））
df['species']=df.label.map（物种地图）
logreg=逻辑回归（C=1e5）
#创建Logistic回归分类器实例并拟合数据。
对数调节配合（X，Y）
#绘制决策边界。为此，我们将为每种颜色指定一种颜色
#网格中的点[x_min，x_max]x[y_min，y_max]。
x_min，x_max=x[：，0].min（）-.5，x[：，0].max（）+.5
y_min，y_max=X[：，1].min（）-.5，X[：，1].max（）+.5
h=.02#网格中的步长
xx，yy=np.meshgrid（np.arange（x_min，x_max，h），np.arange（y_min，y_max，h））
Z=logreg.predict（np.c_uxx.ravel（），yy.ravel（））
#将结果放入彩色绘图中
Z=Z.重塑（xx.形状）

绘制数据
plt.图（1，figsize=（8,6））
plt.pcolormesh（xx，yy，Z，cmap=cmap_light，shading='auto'）
#同时绘制训练点
#使用seaborn添加数据点
散点图（数据=df，x='萼片长度（厘米）'，y='萼片宽度（厘米）'，色调='物种'，
style='classes'，edgecolor='k'，alpha=0.5，palete=palete，s=70）
#更改图例位置
plt.图例（标题=物种，位置=2）
plt.xlim（xx.min（），xx.max（））
plt.ylim（yy.min（），yy.max（））
#plt.xticks（（））
#plt.yticks（（））
plt.show（）


alpha=0.5
与
sns.scatterplot
一起使用，以显示
'versicolor'
和
'virginica'的某些值重叠

如果图例需要
species
标签，而不是名称，请将
hue='species'
更改为
hue='label'