简易散点图
除了线性图，另外一种常见的图形是简易散点图。简易散点图和线性图不同之处在于，这种图形不再由线段（-, -., –等）连接，而是由独立的点、圆圈或者其他形状构成。
用plt.plot()画散点图
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as np
rng = np.random.RandomState(0)
#函数的第三个参数一个字符，表示图形符号的类型。与线性图中的‘-’和‘--’设置线条属性相似，对应的图形标记也有缩写形式。
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
plt.plot(rng.rand(5), rng.rand(5), marker, label = "marker='{0}'".format(marker))
plt.legend(numpoints=1)
plt.xlim(0,1.8)
#简易散点图可以与线条、颜色代码组合起来，画出一条连接散点的线
x = np.linspace(0,10,30)
y = np.sin(x)
plt.plot(x, y, '-ok')用plt.scatter()画散点图
plt.scatter与plt.plot的主要差别在于，前者在创建散点图时具有更高的灵活性，可以单独控制每个散点与数据匹配，也可以让每个散点具有不同的属性（大小、表面颜色、边框颜色等）。
rng = np.random.RandomState(0)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)
#颜色会自动映射成颜色条（color scale，通过colorbar（）显示），散点的大小以像素为单位，这样散点的颜色和大小
#就可以在可视化图中显示多维数据的信息了。
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3, cmap='viridis')
plt.colorbar();
下面以Scikit-Learn程序库中的鸢尾花（iris）数据演示如何在可视化图中显示多维数据的信息。数据集中有三种鸢尾花，每个样本是一种花，其花瓣（petal）与花萼（sepal）的长度与宽度都经过仔细测量。
from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T
plt.scatter(features[0], features[1], alpha=0.2,
s=100*features[3], c=iris.target, cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1])
散点图可以让我们同事看到不同维度的数据：每个点的坐标值（x,y）分别表示花萼的长度和宽度，而点的大小表示花瓣的宽度，三种颜色对应三种不同类型的鸢尾花。这类多颜色与多特征的散点图在探索与演示数据时非常有用。
plot与scatter：效率对比
plt.plot()与plt.scatter除了特征上的差异之外，在执行效率上也存在差距。当数据量较小的时候，两者在效率上的差异不大。但是当数据变大到几千个散点时，plt.plot()的效率将大大高于plt.scatter()。这是由于plt.scatter会对每一个散点进行单独的大小与颜色的渲染，因此渲染器会消耗更多的资源。而在plt.plot中，散点基本都彼此复制，因此整个数据集中所有点的颜色、尺寸只需要配置一次。所以，面对大型数据集时，plot.plot方法比plt.scatter好.