matlab画散点图散点图绘制、优化与应用全解析

是什么：理解Matlab散点图的基础

散点图（Scatter Plot）是一种在二维或三维坐标系中，以点（通常是圆点或其他符号）的形式显示数据的一种图表。每个点代表一个观测数据，其坐标值由数据集中对应变量的数值决定。在Matlab中，散点图是数据可视化中最常用且功能强大的工具之一，它能够直观地揭示两个或多个变量之间的关系、分布趋势以及潜在的异常值。

当您提到“Matlab画散点图”，通常是指使用Matlab内置的绘图函数，最核心的是scatter函数（用于二维散点图）和scatter3函数（用于三维散点图）。这些函数能够将您的数值数据转换为易于理解的视觉表示。

数据结构要求

绘制散点图的数据通常需要至少两列（或两个向量）数值。例如：

二维散点图： 需要一个X坐标向量和一个Y坐标向量，每个向量的长度应相等，分别代表每个数据点的横坐标和纵坐标。
三维散点图： 需要一个X坐标向量、一个Y坐标向量和一个Z坐标向量，同样每个向量长度相等，分别代表每个数据点的三维坐标。

为什么：散点图的价值与选择理由

选择散点图作为数据可视化工具并非偶然，它在多个方面都具有独特的优势，使其成为数据分析不可或缺的一部分：

揭示变量间关系

相关性分析： 散点图是判断两个连续变量之间是否存在线性、非线性或无关联关系最直接的方式。
- 如果点大致呈一条直线排列，可能存在线性关系（正相关或负相关）。
- 如果点呈曲线趋势，则可能存在非线性关系。
- 如果点分布杂乱无章，则可能没有明显的相关性。
趋势发现： 它可以帮助我们快速识别数据的聚集、离散或特定模式。例如，随着一个变量的增加，另一个变量是否倾向于增加或减少。

发现异常点（Outliers）

在散点图中，与大多数数据点明显偏离的点通常被视为异常值。这些异常点可能代表数据录入错误、测量误差或真实的特殊情况。识别它们对于数据清洗和深入分析至关重要。

数据分布与密度

通过点的密集程度，可以大致判断数据在不同区域的分布密度。例如，在某些区域点非常集中，而在另一些区域则非常稀疏。

比较不同数据集或分组

通过为不同组的数据点使用不同的颜色、标记样式或大小，散点图可以清晰地比较不同组别在两个变量上的表现，并观察它们之间的差异或重叠。

何时优先选择散点图？

当您需要回答以下问题时，散点图是理想的选择：

两个变量之间是否存在某种关系？（如身高与体重、温度与产率）
数据中是否存在异常值？
多个变量（通过颜色、大小编码）之间如何相互作用？
数据点是如何分布在某个范围内的？

如何：绘制Matlab散点图的基本操作

Matlab提供了简单直观的命令来创建散点图。以下是基本语法和一些常用示例：

最简单的二维散点图

使用scatter(X, Y)函数，其中X是数据点的横坐标向量，Y是数据点的纵坐标向量。

% 假设您有一些实验数据
X_data = 1:0.5:10;
Y_data = 2 * X_data + 3 + randn(size(X_data)) * 2; % 模拟带噪声的线性关系

figure; % 创建一个新的图窗
scatter(X_data, Y_data);
title('简单的二维散点图');
xlabel('X轴数据');
ylabel('Y轴数据');
grid on; % 添加网格线

带大小和颜色的散点图

scatter(X, Y, S, C)函数允许您根据第三个变量（S）控制每个标记的大小，以及根据第四个变量（C）控制每个标记的颜色。S和C可以是标量（所有点大小或颜色相同）或与X、Y长度相同的向量。

S (大小)： 如果S是标量，所有点的大小相同。如果S是向量，则每个点的大小由对应元素决定。大小的单位是“点平方”（points^2），默认大小为36。
C (颜色)： 如果C是标量，所有点颜色相同。如果C是向量，则Matlab会将这些值映射到当前的颜色图中，为每个点分配颜色。C也可以是RGB三元组的矩阵（N x 3），直接指定每个点的颜色。

% 模拟三维数据：X, Y, 和 Z (Z用于控制颜色和大小)
X_vals = randn(1, 100) * 10;
Y_vals = randn(1, 100) * 8;
Z_vals = X_vals.^2 + Y_vals.^2 + randn(size(X_vals)) * 5; % 模拟某种非线性关系

% 设置标记大小和颜色与 Z_vals 相关
marker_sizes = abs(Z_vals) + 10; % 大小与Z的绝对值有关，并加上基数
marker_colors = Z_vals; % 颜色与Z的值有关，Matlab会自动映射到colormap

figure;
scatter(X_vals, Y_vals, marker_sizes, marker_colors, 'filled'); % 'filled' 填充标记点
colorbar; % 添加颜色条，解释颜色映射
title('根据第三个变量改变大小和颜色的散点图');
xlabel('X');
ylabel('Y');
colormap('jet'); % 设置颜色图

三维散点图

使用scatter3(X, Y, Z, S, C)函数，它与scatter类似，但增加了Z坐标维度。

X_3d = rand(1, 100);
Y_3d = rand(1, 100);
Z_3d = rand(1, 100);
Color_3d = X_3d + Y_3d + Z_3d; % 根据三个坐标的和来着色

figure;
scatter3(X_3d, Y_3d, Z_3d, 50, Color_3d, 'filled');
title('三维散点图');
xlabel('X坐标');
ylabel('Y坐标');
zlabel('Z坐标');
colorbar;
colormap('parula');
view(3); % 设置默认三维视角

怎么：散点图的高级定制与优化

绘制出基本散点图后，为了使其更具专业性和表达力，您需要进行细致的定制。Matlab提供了丰富的属性来控制散点图的各个方面。

标记点样式定制

这是散点图最直观的定制部分，通过控制点的外观来增强信息的传达。

标记类型 (`Marker`属性)

默认是圆形（’o’），您可以选择其他符号：

'o' (圆圈, 默认)
'+' (加号)
'*' (星号)
'.' (点)
'x' (叉号)
's' (正方形)
'd' (菱形)
'^' (上三角形)
'v' (下三角形)
'>' (右三角形)
'<' (左三角形)
'p' (五角星)
'h' (六角星)

在scatter函数中直接指定：scatter(X, Y, S, C, 'Marker', '*')

标记大小 (`SizeData`属性)

在scatter函数中通过第三个参数指定，或通过获取散点图对象后修改其SizeData属性。

h = scatter(X, Y); % 获取散点图对象句柄
h.SizeData = 100; % 将所有点的大小设置为100

标记颜色 (`CData`属性)

在scatter函数中通过第四个参数指定，或通过获取散点图对象后修改其CData属性。可以指定为RGB三元组、预定义颜色名称（如'r', 'g', 'b'等）或颜色映射值。

% 所有点红色
scatter(X, Y, [], 'r');
% 渐变颜色
scatter(X, Y, [], Z, 'filled'); colormap('hot');
% 自定义每个点颜色 (例如，前50个点蓝色，后50个点红色)
colors = zeros(100, 3);
colors(1:50, :) = repmat([0 0 1], 50, 1); % 蓝色
colors(51:100, :) = repmat([1 0 0], 50, 1); % 红色
scatter(X, Y, [], colors, 'filled');

标记边框与填充色 (`MarkerEdgeColor`, `MarkerFaceColor`属性)

如果希望点的边框和填充色不同，可以使用这些属性。

scatter(X, Y, 'o', 'MarkerEdgeColor', 'b', 'MarkerFaceColor', 'y', 'SizeData', 80);

透明度 (`MarkerFaceAlpha`, `MarkerEdgeAlpha`属性)

对于大量数据点，设置透明度可以帮助显示数据密度。范围从0（完全透明）到1（完全不透明）。

scatter(X, Y, 20, [0 0.5 0.5], 'filled', 'MarkerFaceAlpha', 0.5); % 半透明填充色

图例、标题与轴标签

这些是任何专业图表的标准组成部分，用于解释图表内容。

标题： title('您的图表标题')
轴标签： xlabel('X轴名称'), ylabel('Y轴名称'), zlabel('Z轴名称')
图例： legend('数据集1', '数据集2', ...)。当绘制多组数据时非常有用。
字体与字号： 可以通过获取当前轴句柄或图表句柄后设置其属性。

figure;
h1 = scatter(X_data(1:end/2), Y_data(1:end/2), 'o', 'filled', 'DisplayName', 'A组数据');
hold on; % 允许在同一图上绘制更多内容
h2 = scatter(X_data(end/2+1:end), Y_data(end/2+1:end), 's', 'filled', 'DisplayName', 'B组数据');
hold off;

title('不同组别数据的散点图', 'FontSize', 14, 'FontWeight', 'bold');
xlabel('独立变量', 'FontSize', 12);
ylabel('因变量', 'FontSize', 12);
legend('show', 'Location', 'best'); % 显示图例并自动选择最佳位置
grid on;

多组数据绘制

在同一散点图上展示多组数据可以方便比较。最常用的方法是使用hold on。

使用第一个scatter命令绘制第一组数据。
使用hold on命令。
使用后续的scatter命令绘制其他组数据。
使用hold off命令（可选，确保后续操作不影响当前图）。

% 模拟两组数据
X1 = randn(1, 50); Y1 = 2*X1 + randn(size(X1))*0.5;
X2 = randn(1, 50); Y2 = -1*X2 + randn(size(X2))*0.5;

figure;
scatter(X1, Y1, 50, 'b', 'filled', 'DisplayName', '数据集A'); % 蓝色填充圆点
hold on;
scatter(X2, Y2, 50, 'r', 's', 'filled', 'DisplayName', '数据集B'); % 红色填充方块
hold off;

title('多组数据的散点比较');
xlabel('变量X');
ylabel('变量Y');
legend('show');
grid on;

添加趋势线与拟合

散点图常用于观察变量关系，进一步可以通过添加趋势线来量化这种关系。

线性拟合： 可以使用polyfit和polyval函数进行多项式拟合（线性拟合是1阶多项式）。
lsline： Matlab也提供了一个简便的函数lsline，可以直接在当前轴上添加最小二乘拟合直线。

X_trend = 1:10;
Y_trend = 0.8 * X_trend + 5 + randn(size(X_trend)) * 1.5;

figure;
scatter(X_trend, Y_trend, 60, 'filled', 'MarkerFaceColor', [0.4660 0.6740 0.1880]); % 绿色点
hold on;

% 方法一：使用 polyfit 和 polyval
p = polyfit(X_trend, Y_trend, 1); % 1次多项式拟合（线性）
y_fit = polyval(p, X_trend);
plot(X_trend, y_fit, 'r-', 'LineWidth', 2, 'DisplayName', '线性拟合'); % 红色实线

% 方法二：使用 lsline (会在当前轴上添加线性拟合线)
% lsline; % 如果想用lsline，需要注释掉polyfit的部分，或分开放置

hold off;
title('散点图与线性拟合');
xlabel('X');
ylabel('Y');
legend('原始数据', '拟合曲线');
grid on;

图表美化与细节调整

网格线： grid on; 或 grid off;。
轴范围： xlim([min_x max_x]), ylim([min_y max_y]), zlim([min_z max_z])。
背景颜色： set(gca, 'Color', [R G B]); (gca表示当前坐标轴)。
颜色映射： colormap('jet'), colormap('parula'), colormap('hot')等，当使用第四个参数C进行颜色映射时非常重要。
坐标轴显示： box on; (显示坐标轴边框)。

处理大量数据点

当数据点数量非常大时（例如数万甚至数十万个点），直接绘制所有点可能会导致图表密集、信息模糊，甚至性能问题。可以考虑以下策略：

降低透明度： 使用MarkerFaceAlpha或MarkerEdgeAlpha属性，让点变得半透明，这样点密集的地方会显得颜色更深，从而显示密度。
抽样： 如果数据量过大且对整体趋势的观察更重要，可以随机抽取一部分数据进行绘制。
分箱（Binning）或聚合： 将数据区域划分为网格，统计每个网格内的数据点数量，然后使用颜色或大小表示密度。Matlab的hist2d或自定义分箱逻辑可以实现。
使用替代函数： 对于极端大量的数据，考虑使用plot函数并设置'.'标记，它通常比scatter在处理大量点时性能更好，尽管定制性略低。

哪里：散点图的广泛应用场景

散点图因其直观性，在科研、工程、金融、生物医学等众多领域都有广泛应用：

科学研究：
- 物理/化学： 实验数据点（如温度与电阻、反应时间与产物浓度）的关联性分析。
- 生物学： 基因表达水平与疾病发病率、药物剂量与生物响应的量效关系。
工程领域：
- 质量控制： 产品尺寸与公差、传感器读数与环境条件的相关性。
- 性能分析： 设备负载与效率、输入功率与输出功率的关系。
金融经济：
- 市场分析： 股票价格与成交量、利率与通货膨胀率之间的关系。
- 风险管理： 投资组合中不同资产收益率的相关性。
医学与公共卫生：
- 临床研究： 患者年龄与血压、药物剂量与治疗效果。
- 流行病学： 地区环境因素与疾病发病率的关系。
数据科学与机器学习：
- 特征工程： 观察不同特征之间的相关性，辅助特征选择。
- 聚类分析： 可视化聚类结果，检查不同簇的分布和分离情况。

多少：关于数据量与维度的一些考量

“多少”在散点图语境中，主要关注的是数据点的数量和图表所能承载的维度。

数据点数量

少量数据点（几十到几百）： 此时散点图能非常清晰地展示每个点，易于观察其精确位置和趋势。可以充分利用不同的标记、颜色和大小来区分和突出特定数据点。
中等数据点（几百到几千）： 依然能很好地工作，但点可能会开始有部分重叠。通过调整标记大小、设置透明度、或使用填充标记（'filled'）可以提高可读性。
大量数据点（数万或更多）： 如果不加处理，图表可能会变得过于密集，形成“墨点图”，难以区分单个点或识别趋势。在这种情况下，之前提到的“处理大量数据点”策略（透明度、分箱、抽样）变得尤为重要。目标是展现数据的整体密度分布而非每个点的细节。

图表维度

二维散点图： 最常见，用于展示两个变量（X, Y）的关系。通过颜色（C）和大小（S）这两个额外的视觉编码，可以在二维图上隐含地展示另外两个变量的信息，使其成为“伪四维”图。
三维散点图： 直接展示三个变量（X, Y, Z）的关系。同样可以通过颜色（C）和大小（S）来编码另外两个变量，实现“伪五维”可视化。然而，三维图在平面屏幕上可能存在深度感知问题，尤其是在点密集时，可能需要交互式旋转（如使用Matlab的rotate3d on）才能更好地理解。
更高维度： 超过三维的直接散点图绘制变得非常困难。通常会采用降维技术（如主成分分析PCA、t-SNE）将高维数据映射到二维或三维空间再绘制散点图，或者使用多面板图（scatter plot matrix）来展示所有两两变量间的散点图。

怎么：常见问题与解决策略

在绘制Matlab散点图的过程中，用户可能会遇到一些常见问题。理解这些问题并掌握相应的解决策略至关重要。

问题1：图例不显示或显示错误

描述： 即使使用了legend命令，图例也可能不出现，或者图例内容与期望不符。

解决策略：

为每个数据系列指定DisplayName： 最稳妥的方式是在每个scatter函数调用中，通过'DisplayName'属性为该系列命名。然后直接调用legend('show')即可。
```
scatter(X1, Y1, 'DisplayName', '我的数据系列A');
hold on;
scatter(X2, Y2, 'DisplayName', '我的数据系列B');
legend('show');
```
获取句柄： 如果没有使用DisplayName，可以获取每个绘图对象的句柄，然后将这些句柄传入legend函数。
```
h1 = scatter(X1, Y1, 'b', 'filled');
hold on;
h2 = scatter(X2, Y2, 'r', 'filled');
legend([h1, h2], '系列一', '系列二');
```
检查hold on/off状态： 确保在绘制所有需要图例的数据系列之前，使用了hold on。

问题2：标记点重叠严重，无法看清数据分布

描述： 当数据点非常多或者分布非常集中时，点会互相遮盖，导致图表看起来像一团墨迹。

解决策略：

调整标记大小： 将SizeData属性设置得小一些。
```
scatter(X, Y, 5, 'filled'); % 减小点的大小到5
```
设置透明度： 这是最有效的方法之一，通过MarkerFaceAlpha和MarkerEdgeAlpha属性，让重叠区域显得更深。
```
scatter(X, Y, 20, [0 0 0.8], 'filled', 'MarkerFaceAlpha', 0.3); % 半透明蓝色
```
使用空心标记： 如果填充标记导致问题，尝试使用空心标记，或同时设置填充色和边框色。
```
scatter(X, Y, 30, 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'none'); % 黑色边框空心圆
```
考虑数据分箱或密度图： 对于极其密集的数据，散点图可能不是最佳选择。可以考虑使用hist3进行三维直方图（用于密度）或heatmap等来显示密度。

问题3：颜色和大小映射不直观

描述： 使用第四个参数C或第三个参数S来映射数据时，颜色或大小的变化没有达到预期的视觉效果，或者难以解释。

解决策略：

选择合适的颜色图（Colormap）： 使用colormap函数选择一个适合您数据特性的颜色图。例如，对于连续数据，`'jet'`、`'parula'`、`'viridis'`等是常见选择；对于离散分类数据，可能需要自定义颜色。
```
scatter(X, Y, S, C, 'filled');
colormap('viridis'); % 更改颜色图
colorbar; % 添加颜色条解释颜色映射
```
归一化或缩放S和C数据： 确保用于映射大小和颜色的数据（S和C）具有合适的范围。对于大小，通常是正值；对于颜色，Matlab会自动将数据范围映射到当前颜色图的颜色数量，但如果您希望某个特定值对应特定颜色，可能需要手动归一化数据到[0, 1]区间。
```
% 例如，将C数据归一化到[0, 1]
C_normalized = (C - min(C)) / (max(C) - min(C));
scatter(X, Y, S, C_normalized, 'filled');
colormap('hot');
```
明确指定大小范围： scatter函数的第三个参数是点的大小（点平方），过大或过小都会影响显示。根据实际需要调整。

问题4：导出高质量图片以用于报告或出版物

描述： 直接截图Matlab图窗可能导致图片模糊、分辨率低。

解决策略：

使用print函数： 这是Matlab推荐的导出高质量图片的方法，支持多种格式和分辨率控制。

% 导出为高分辨率PNG图片
print('MyScatterPlot.png', '-dpng', '-r300'); % -r300 表示300dpi分辨率

% 导出为矢量图（适合出版物，放大不失真）
print('MyScatterPlot.eps', '-depsc'); % EPS格式
print('MyScatterPlot.pdf', '-dpdf'); % PDF格式

使用“文件”->“导出设置”： 在Matlab图窗菜单栏选择“文件”->“导出设置...”，可以交互式地调整图片大小、分辨率、字体等，然后导出。
调整图窗尺寸： 在导出前，可以通过set(gcf, 'Position', [left bottom width height])来设置图窗的大小，以确保导出的图片具有合适的比例和尺寸。

掌握了这些基本和高级的散点图绘制技巧，以及常见问题的解决策略，您将能够更有效地利用Matlab进行数据可视化，从而从数据中发现更多有价值的信息。

matlab画散点图

matlab画散点图散点图绘制、优化与应用全解析

是什么：理解Matlab散点图的基础

数据结构要求

为什么：散点图的价值与选择理由

揭示变量间关系

发现异常点（Outliers）

数据分布与密度

比较不同数据集或分组

何时优先选择散点图？

如何：绘制Matlab散点图的基本操作

最简单的二维散点图

带大小和颜色的散点图

三维散点图

怎么：散点图的高级定制与优化

标记点样式定制

标记类型 (Marker属性)

标记大小 (SizeData属性)

标记颜色 (CData属性)

标记边框与填充色 (MarkerEdgeColor, MarkerFaceColor属性)

透明度 (MarkerFaceAlpha, MarkerEdgeAlpha属性)

图例、标题与轴标签

多组数据绘制

添加趋势线与拟合

图表美化与细节调整

处理大量数据点

哪里：散点图的广泛应用场景

多少：关于数据量与维度的一些考量

数据点数量

图表维度

怎么：常见问题与解决策略

问题1：图例不显示或显示错误

问题2：标记点重叠严重，无法看清数据分布

问题3：颜色和大小映射不直观

问题4：导出高质量图片以用于报告或出版物

标记类型 (`Marker`属性)

标记大小 (`SizeData`属性)

标记颜色 (`CData`属性)

标记边框与填充色 (`MarkerEdgeColor`, `MarkerFaceColor`属性)

透明度 (`MarkerFaceAlpha`, `MarkerEdgeAlpha`属性)