在数据可视化中，散点图是一种常用的可视化方式，可以清晰地显示数据之间的相关性和趋势。在 Matplotlib 中，散点图是通过 scatter() 函数创建的。散点图中的点绘制时可以使用不同的形状和颜色，同时还可以调整每个点的大小，以便更好地表现数据。在本文中，我们将重点讨论如何使用 Matplotlib 中的 markersize 属性调整散点图中点的大小。

1、散点图概述

在 Matplotlib 中，散点图可以用 scatter() 函数创建，该函数的调用方法如下：

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

散点图中的参数包括：

x：x 坐标值的数组；

y：y 坐标值的数组；

s：每个点的大小，可以使标量或一维数组，默认为 None，此时所有点的大小都相同；

c：每个点的颜色，可以是标量、一维数组或二维数组，默认为 None，此时所有点的颜色相同；

marker：每个点的标记样式，默认为 o，可以是点、圆圈、正方形、三角形等；

cmap：colormap，用于给点的颜色映射值，仅当 c 为标量时有效；

norm：用于映射标量数据到 colormap 中的范围；

vmin、vmax：vmin 是 colormap 的最小值，vmax 是 colormap 的最大值；

alpha：点的透明度；

linewidths：点边缘线的宽度；

edgecolors：点边缘线的颜色。

2、使用 markersize 调节点的大小

在散点图中使用 markersize 属性调节点的大小非常简单，只需要将它的值设为标量或一维数组即可。下面我们来看几个具体的例子。

（1）指定每个点的大小

在 scatter() 函数中，通过设置 s 属性可以指定每个点的大小，如下代码所示：

import matplotlib.pyplot as plt

import numpy as np

x = np.random.random(50)

y = np.random.random(50)

s = np.random.randint(10, 100, size=50)

plt.scatter(x, y, s=s)

plt.show()

在该代码中，我们随机生成了 50 个点，每个点的大小都在 10-100 之间。结果如下所示：

可以看到，点的大小随机分布，呈现出一种很好的视觉效果。

（2）使用标量调节所有点的大小

有时候，我们希望调节散点图中所有点的大小，可以通过将 s 属性设置为一个标量即可。例如，我们将每个点的大小都设置为 20，代码如下：

import matplotlib.pyplot as plt

import numpy as np

x = np.random.random(50)

y = np.random.random(50)

plt.scatter(x, y, s=20)

plt.show()

在该代码中，我们将每个点的大小都设置为 20，结果如下所示：

可以看到，所有点的大小都相同，呈现出一种均匀分布的效果。

（3）结合其他属性调节点的大小

在散点图中，我们可以结合其他属性调节点的大小，从而呈现更好的视觉效果。例如，我们可以根据数据的大小来调节点的大小。代码如下：

import matplotlib.pyplot as plt

import numpy as np

x = np.random.randint(1, 10, size=50)

y = np.random.randint(1, 10, size=50)

s = np.power(x, 2)

plt.scatter(x, y, s=s*10)

plt.show()

在该代码中，我们随机生成了两组数据 x 和 y，大小均在 1-10 之间。然后，我们通过 s = np.power(x, 2) 计算每个点的大小，将其作为 s 属性的值，并将其乘以 10 来放大点的大小。这样，我们就能看到随着 x 值的增大，点的大小也在增大的视觉效果。结果如下所示：

可以看到，点的大小随着 x 值的增大而增大，呈现出一种明显的趋势。

3、结论

本文介绍了在 Matplotlib 中使用 markersize 属性调节散点图中点的大小的方法。通过调节 markersize 属性的值，我们可以精确控制点的大小，从而更好地呈现数据。如果您想要深入了解 Matplotlib，可以查看官方文档和示例库，以便更好地使用和理解 Matplotlib。