Ctrl+K

9.2 Streudiagramme

9.2 Streudiagramme#

Lernziele#

Lernziele

  • Sie können Messwerte mit Streudiagrammen darstellen.

Streudiagramme#

Bei Streudiagrammen werden nicht die Punkte \((x_1,y_2)\) mit \((x_2,y_2)\) mit \((x_3,y_3)\) usw. durch Linien verbunden, sondern jeder Punkt selbst wird an der Stelle seiner Koordinaten eingezeichnet. Ob dazu ein Punkt, Kreis, Dreieck oder Quadrat oder ein anderes Symbol verwendet wird, bleibt dem Anwender überlassen. Streudiagramme heißen im Englischen Scatter-Plot, daher lautet die entsprechende Matplotlib-Funktion auch scatter().

import numpy as np
import matplotlib.pyplot as plt

# data
x = np.linspace(-2*np.pi, 2*np.pi, 50)
y = np.sin(x)

# scatter plot
plt.figure()
plt.scatter(x,y);
../_images/b858359e98839115f5796c70090c49489d1fdebc98b9bedc9034536ef322c295.png

Über die Option marker= lässt sich das Symbol einstellen, mit dem das Streudiagramm erzeugt wird. Wie Sie sehen, ist ein ausgefüllter Kreis voreingestellt. Lesen Sie auf der Internetseite

nach, welche Marker-Symbole existieren. Probieren Sie einige der Symbole hier aus:

# data
x = np.linspace(-2*np.pi, 2*np.pi, 50)
y = np.sin(x)

# scatter plot
fig, ax = plt.subplots()
ax.scatter(x,y, marker='x');
../_images/ceef613ad72382bee3bc5e599058bae8bb69f262b6276ffc2703e313281c8fb5.png

Für bekannte Funktionen wie Sinus oder Kosinus würde man Liniendiagramme verwenden. Streudiagramme eignen sich eher für die Visualisierung einzelner Messungen. Wenn Sie beispielsweise an jeden Wochentag die Temperatur an zwei Orten messen, bietet es sich an, beide Messreihen in einem Streudiagramm zu visualisieren. Dazu sollten Sie unterschiedliche Marker und unterschiedliche Farben verwenden.

# data
x  = ['Mo', 'Di', 'Mi', 'Do', 'Fr', 'Sa', 'So']
y1 = np.random.uniform(15,23,7) # Zufallszahlen, um Temperaturmessung zu simulieren
y2 = np.random.uniform(15,23,7) # Zufallszahlen, um Temperaturmessung zu simulieren

# scatter plots
plt.figure()
plt.scatter(x, y1, marker='+')
plt.scatter(x, y2, marker='.');
../_images/9281d09b8198350b790370097155591ce91dfec60c5f501350fc5c00e6bd2d47.png

Dann ist es aber auch gut, die Visualisierung zu beschriften. Dazu kennzeichnet man jeden einzelnen Plot-Aufruf mit einem sogenannten Label, z.B. plt.scatter(x,y1, label='Messung1'). Zuletzt verwendet man die Funktion legend(), die eine Legende mit allen Label-Einträgen erzeugt, bei denen die Farben der Kurven und die Marker korrekt zu den Namen (Labels) zugeordnet werden.

# data
x  = ['Mo', 'Di', 'Mi', 'Do', 'Fr', 'Sa', 'So']
y1 = np.random.uniform(15,23,7)
y2 = np.random.uniform(15,23,7)

# scatter plots
plt.figure()
plt.scatter(x, y1, marker='+', label='Frankfurt')
plt.scatter(x, y2, marker='.', label='Offenbach')
plt.legend()
plt.title('Durchschnittstemperatur');
../_images/3b3afc62f5d6154a83f1276979b7eb93e381018f998daf946507c1a5b69d7102.png

Mini-Übung

Erzeugen Sie eine Wertetabelle mit den Zahlen 1 bis 50 für x und 50 normalverteilten Zufallszahlen mit Mittelwert 0 und Standardabweichung 1 für y. Visualisieren Sie diese als Streudiagramm. Die Marker sollen rot gefärbte Diamenten sein.

# Hier Ihr Code

Lösung

import matplotlib.pyplot as plt
import numpy as np

# data 
x = np.linspace(1, 50, 50)
y = np.random.normal(0, 1, 50)

# plot
plt.figure()
plt.scatter(x,y, c='red', marker='D')

Zusammenfassung und Ausblick#

Das Linien- und das Streudiagramm werden für die Visualisierung von kontinuierlichen Daten verwendet, wohingegen das Balkendiagramm dem Plot von diskreten Daten (Kategorien) dient. Im folgenden Abschnitt verknüpfen wir Matplotlib mit Pandas zur Visualisierung von Tabellendaten in einem DataFrame.

Contents