【MATLAB散点图绘制大全】：从入门到精通，掌握数据可视化利器

【MATLAB散点图绘制大全】：从入门到精通，掌握数据可视化利器

引用

CSDN

1.

https://wenku.csdn.net/column/5o2tbjp2yx

本文是一篇关于MATLAB散点图绘制的详细教程，从基础入门到高级应用，涵盖了数据预处理、图形定制、数据分析、交互式可视化等多个方面。通过本文，读者可以全面掌握MATLAB散点图的绘制技巧和应用场景。

MATLAB散点图基础

散点图是一种用于可视化两个变量之间关系的图表类型。在MATLAB中，可以使用scatter函数绘制散点图。该函数接受两个向量作为输入，分别表示x和y坐标。

x = [1, 2, 3, 4, 5];
y = [2, 4, 6, 8, 10];
scatter(x, y);

生成的散点图将显示x和y值之间的关系。如果存在相关性，则数据点将在图表上形成一条线或曲线。

散点图绘制技巧

数据准备和预处理

数据导入和清洗

代码块 1：

data = csvread('data.csv');

逻辑分析：

使用 csvread 函数从 CSV 文件中导入数据。

参数说明：

代码块 2：

% 查找并删除缺失值
data = data(all(~isnan(data), 2), :);

逻辑分析：

使用 all(~isnan(data), 2) 查找每一行中所有元素是否非 NaN，然后使用 data(all(~isnan(data), 2), :) 删除包含 NaN 值的行。

参数说明：

• ~isnan(data)：创建一个布尔矩阵，其中 NaN 元素为 false，非 NaN 元素为 true。

• all(~isnan(data), 2)：沿第二维（行）应用 all 函数，检查每一行中所有元素是否都为 true。

• data(all(~isnan(data), 2), :)：使用布尔索引删除包含任何 NaN 值的行。

数据变换和归一化

代码块 3：

% 对数据进行对数变换
data(:, 1) = log10(data(:, 1));

逻辑分析：

使用 log10 函数对第一列数据进行对数变换。

参数说明：

• data(:, 1)：要进行对数变换的第一列数据。

代码块 4：

% 对数据进行归一化
data = normalize(data, 'range');

逻辑分析：

使用 normalize 函数对数据进行归一化，将所有元素的值限制在 0 到 1 之间。

参数说明：

• data：要归一化的数据。

• 'range'：指定要应用的归一化类型，即范围归一化。

散点图的定制化

点的形状、大小和颜色

代码块 5：

scatter(data(:, 1), data(:, 2), 50, 'filled', 'MarkerFaceColor', 'b');

逻辑分析：

使用 scatter 函数绘制散点图，指定点的大小、填充和颜色。

参数说明：

• data(:, 1)：x 轴数据。

• data(:, 2)：y 轴数据。

• 50：点的大小（以像素为单位）。

• 'filled'：指定点为实心填充。

• 'MarkerFaceColor', 'b'：指定点填充颜色为蓝色。

坐标轴和刻度的设置

代码块 6：

xlabel('X 轴标签');
ylabel('Y 轴标签');
title('散点图标题');

逻辑分析：

使用 xlabel、ylabel 和 title 函数设置坐标轴标签和图标题。

参数说明：

• 'X 轴标签'：x 轴标签文本。

• 'Y 轴标签'：y 轴标签文本。

• '散点图标题'：图标题文本。

代码块 7：

axis([xmin xmax ymin ymax]);

逻辑分析：

使用 axis 函数设置坐标轴范围。

参数说明：

• [xmin xmax ymin ymax]：坐标轴范围，指定为 [x 最小值，x 最大值，y 最小值，y 最大值]。

图例和注释的添加

代码块 8：

legend('数据组 1', '数据组 2');

逻辑分析：

使用 legend 函数添加图例，指定每个数据组的标签。

参数说明：

• '数据组 1'：第一个数据组的标签。

• '数据组 2'：第二个数据组的标签。

代码块 9：

text(x, y, '注释文本');

逻辑分析：

使用 text 函数添加注释，指定注释文本的位置和内容。

参数说明：

• x：注释文本的 x 坐标。

• y：注释文本的 y 坐标。

• '注释文本'：注释文本。

散点图在数据分析中的应用

数据探索和模式识别

相关性分析

散点图是探索数据变量之间相关性的有力工具。通过绘制两个变量之间的散点图，我们可以观察它们之间的关系模式。

代码块：

% 导入数据
data = importdata('data.csv');
% 绘制散点图
scatter(data(:, 1), data(:, 2));
xlabel('变量 1');
ylabel('变量 2');
title('变量 1 与变量 2 的散点图');
% 计算相关系数
corr_coef = corr(data(:, 1), data(:, 2));
disp(['相关系数：', num2str(corr_coef)]);

逻辑分析：

• importdata 函数从 CSV 文件导入数据。

• scatter 函数绘制散点图，其中 data(:, 1) 和 data(:, 2) 分别表示变量 1 和变量 2 的值。

• xlabel、ylabel 和 title 函数设置坐标轴标签和标题。

• corr 函数计算相关系数，该系数量化变量之间的线性相关性。

聚类和异常值检测

散点图还可以帮助识别数据中的聚类和异常值。聚类是数据点聚集在一起的区域，而异常值是与其他数据点明显不同的单个点。

代码块：

逻辑分析：

• dbscan 函数使用 DBSCAN 算法进行聚类，该算法将数据点分组到不同的簇中。

• hold on 函数允许在同一图中绘制多个图。

• 对于每个聚类，我们使用 scatter 函数绘制聚类数据点，并使用不同的标记和颜色来区分它们。

• 我们还识别并标记异常值，这些异常值与其他数据点明显不同。

统计建模和预测

回归分析

散点图可用于拟合回归线，该回归线表示变量之间的线性关系。回归分析可以帮助我们预测一个变量的值，给定另一个变量的值。

代码块：

逻辑分析：

• polyfit 函数拟合一个一阶多项式（线性回归模型）到数据。

• polyval 函数使用拟合的多项式计算回归线上的值。

• 我们使用 plot 函数绘制回归线，并使用红色虚线和较粗的线宽来突出显示它。

分类模型

散点图也可以用于可视化分类模型，该模型将数据点分类到不同的类别中。通过观察数据点在散点图中的分布，我们可以评估模型的性能。

代码块：

逻辑分析：

• fitcsvm 函数创建了一个支持向量机 (SVM) 分类器。

• scatter 函数绘制散点图，其中数据点根据其类别着色。

• meshgrid 函数创建网格，用于绘制分类边界。

• predict 函数使用分类器预测网格点上的类别。

• contour 函数绘制分类边界，该边界将数据点分为不同的类别。

散点图的交互式可视化

数据点的高亮和筛选

交互式鼠标操作

MATLAB 提供了交互式鼠标操作，允许用户通过鼠标悬停、单击和拖动来高亮和筛选数据点。

逻辑分析：

• datacursormode on 启用交互式鼠标操作。

• set(datacursormode, 'UpdateFcn', ...) 设置鼠标悬停时显示的数据提示信息。

• set(datacursormode, 'SnapToDataVertex', 'on') 设置鼠标单击时高亮数据点。

• set(datacursormode, 'EnableBrushing', 'on') 设置鼠标拖动时筛选数据点。

动态更新图例和注释

高亮或筛选数据点时，可以动态更新图例和注释，以提供更多信息。

逻辑分析：

• set(datacursormode, 'UpdateFcn', ...) 设置鼠标悬停时更新图例和注释。

• updateLegendAndAnnotation 函数获取高亮的数据点索引，并更新图例和注释。

图表缩放和平移

坐标轴的动态调整

用户可以交互式地缩放和平移坐标轴，以放大或缩小特定数据区域。

% 创建散点图
scatter(x, y);
% 启用交互式缩放和平移
zoom on;
% 设置缩放和平移的限制
xlim([min(x) max(x)]);
ylim([min(y) max(y)]);

逻辑分析：

• zoom on 启用交互式缩放和平移。

• xlim 和 ylim 设置坐标轴的限制。

数据点的局部放大

通过使用 brushing 工具，用户可以局部放大散点图的特定区域。

% 创建散点图
scatter(x, y);
% 启用交互式局部放大
brush on;
% 设置局部放大的限制
brush.EnableBrush = false;
brush.BrushStyle = 'box';

逻辑分析：

• brush on 启用交互式局部放大。

• brush.EnableBrush = false 禁用自动局部放大。

• brush.BrushStyle = 'box' 设置局部放大区域的形状为矩形。

三维散点图和矩阵图

数据的多维可视化

在某些情况下，数据可能具有多个维度，无法在二维散点图中充分表示。在这种情况下，可以使用三维散点图或矩阵图来可视化高维数据。

三维散点图 将数据点绘制在三维空间中，使用 x、y 和 z 轴表示不同的维度。这允许用户从多个角度查看数据，并识别三维空间中的模式和关系。

矩阵图 是一种特殊的散点图，它将数据点排列成一个矩阵，其中每个单元格代表两个变量之间的关系。矩阵图对于可视化大量变量之间的相关性非常有用。

交互式旋转和平移

三维散点图和矩阵图通常具有交互式功能，允许用户旋转和平移视图。这使他们能够从不同的角度检查数据，并专注于特定区域或模式。

代码示例：三维散点图

逻辑分析：

此代码生成一个三维散点图，其中 x、y 和 z 轴分别表示数据的三维维度。用户可以使用鼠标旋转和平移视图，以从不同角度检查数据。

代码示例：矩阵图

% 生成相关性矩阵
corr_matrix = corrcoef(data);
% 创建矩阵图
figure;
imagesc(corr_matrix);
colorbar;
title('Correlation Matrix');
% 启用交互式缩放和平移
zoom on;
pan on;

逻辑分析：

此代码生成一个矩阵图，其中每个单元格表示两个变量之间的相关性。用户可以使用鼠标缩放和平移视图，以专注于特定变量或模式。

代码优化和性能提升

向量化和并行化

向量化是 MATLAB 中提升代码性能的一种重要技术。它通过使用向量运算符和函数，而不是循环，来对数组元素进行操作。这可以显著提高代码效率，特别是对于大型数组。

% 使用循环进行元素相加
sum_values = 0;
for i = 1:length(values)
    sum_values = sum_values + values(i);
end
% 使用向量化进行元素相加
sum_values = sum(values);

并行化是另一种提升代码性能的技术。它通过将任务分配给多个处理器或内核来同时执行。MATLAB 提供了并行计算工具箱，允许用户创建并行代码。

% 创建并行池
parpool;
% 创建并行 for 循环
parfor i = 1:length(values)
    % 在每个处理器上执行任务
    % ...
end
% 关闭并行池
delete(gcp);

内存管理和数据结构

MATLAB 中的内存管理对于性能至关重要。使用适当的数据结构和内存管理技术可以减少内存消耗和提高代码效率。

• **选择合适的数据类型：**选择与数据范围和精度相匹配的数据类型，例如 int8、int16、double 等。

• **使用稀疏矩阵：**对于包含大量零元素的矩阵，使用稀疏矩阵可以节省内存。

• **预分配内存：**使用 prealloc 函数预分配内存可以避免内存碎片化和提高性能。

% 预分配一个 1000x1000 的矩阵
A = zeros(1000, 1000);