#输出散点图

def f():

    datingDataMat,datingLabels = file2matrix("datingTestSet3.txt")

    fig = plt.figure()

    # ax = fig.add_subplot(199,projection='polar')

    # ax = fig.add_subplot(111,projection='hammer')

    # ax = fig.add_subplot(111,projection='lambert')

    # ax = fig.add_subplot(111,projection='mollweide')

    # ax = fig.add_subplot(111,projection='aitoff')

    # ax = fig.add_subplot(111,projection='rectilinear')

    # ax = fig.add_subplot(111,projection='rectilinear')

    #此处的add_subplot参数的意思是把画布分为3行4列，画在从左到右从上到下的第2个格里

    ax = fig.add_subplot(3,4,2) #fig.add_subplot(342)也可以，但是这样无法表示两位数

    ax.scatter(datingDataMat[:,1],datingDataMat[:,2])

    # ax1 = fig.add_subplot(221)

    # ax1.plot(datingDataMat[:,1],datingDataMat[:,2])

    plt.show()

其中fig.add_subplot(3,4,2)的效果图如下（红框是我加的，原输出没有）：

所以fig.add_subplot(3,4,12)的效果就是：

所以，第三个参数不能超过前两个的乘积，如果用fig.add_subplot(a,b,c)来表示的话，ab>=c，否则会报错。

对于fig.add_subplot(3,4,12)这个函数，官方网站的解释似乎有点问题，链接https://matplotlib.org/api/_as_gen/matplotlib.figure.Figure.html?highlight=add_subplot#matplotlib.figure.Figure.add_subplot

查询add_subplot(*args, **kwargs)，得到如下解释：

*args

Either a 3-digit integer or three separate integers describing the position of the subplot. If the three integers are I, J, and K, the subplot is the Ith plot on a grid with J rows and K columns.

意思是，三个参数分别为I, J, K，表示J行K列，那I是什么？没有提及。

倒是下面的See also所指向的matplotlib.pyplot.subplot给出了正确的解释。

matplotlib.pyplot.subplot

subplot(nrows, ncols, index, **kwargs)

 In the current figure, create and return an Axes, at position index of a (virtual) grid of nrows by ncols axes. Indexes go from 1 to nrows *ncols, incrementing in row-major order.

If nrows, ncols and index are all less than 10, they can also be given as a single, concatenated, three-digit number.

For example, subplot(2, 3, 3) and subplot(233) both create an Axes at the top right corner of the current figure, occupying half of the figure height and a third of the figure width.

由于没有使用样本分类的特征值，我们很难看出来任何有价值的信息。Matplotlib库提供的scatter函数支持个性化标记散点图上的点。

#输出进行了分类的散点图

def g():

    datingDataMat,datingLabels = file2matrix("datingTestSet2.txt")

    fig = plt.figure()

    ax = fig.add_subplot(111)

    ax.set_title("scatter")

    #ax.scatter(datingDataMat[:,1],datingDataMat[:,2])

    #ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0*array(datingLabels),15.0*array(datingLabels))

    print(datingLabels)

    ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0 * array(datingLabels),15.0 * array(datingLabels))
　　#上式的后两个参数15.0 * array(datingLabels)和15.0 * array(datingLabels)，实际上是s和c两个参数，用于设置大小和颜色，可以不同，具体如下：

    #ax.scatter(datingDataMat[:,0],datingDataMat[:,1],s=15.0*array(datingLabels),c=15.0*array(datingLabels))
　　#其中的15只是为了扩大倍数，使差别更明显，只要你愿意，你可以用1000，100000等等任何数字去乘。

    plt.show()

这里着重说明一下scatter函数
Axes.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

x,y表示点的位置
s表示点的大小，官方说明：
scalar or array_like, shape (n, ), optional，数值或类数组
size in points^2. Default is rcParams['lines.markersize'] ** 2
语焉不详，没太看懂，看到了size，以下是逐步测试出来的结果，从效果来看，s可能是scale的缩写
为了便于测试，我在datingTestSet2.txt中只保留了前5个样本

40920 8.326976 0.953952 3
14488 7.153469 1.673904 2
26052 1.441871 0.805124 1
75136 13.147394 0.428964 1
38344 1.669788 0.134296 1

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=1)执行效果如下

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=100)
为了变化更明显，把s值扩大了100倍，执行效果如下：

作为单一数值的效果我们看到了，官方说明中，还有一个array_like的形式，我们来测试一下

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=[1])，这个就不贴图了，和数值1是一样的，所有点的大小是一样的。

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=[1,50])，看看这是什么效果：

有些变，有些不变，规律是什么？经过一番测试，中间过程不说了，函数会根据样本的位置与s中对应位置元素的值进行设置，举个栗子，

第1个样本的值是x=8.326976, y=0.953952，s中对应的第1个值是1，所以这个点的大小是1

第2个样本的值是x=7.153469, y=1.673904，s中对应的第2个值是50，所以这个点的大小是50

第3个样本的值是x=1.441871, y=0.805124，s中只有两个值，所以现在回到第1个值，是1，所以这个点的大小是50

以下同理，循环。

s=[1,50,500]时，同理。

参数c

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=[1,50], c='r')

参数c表示点的颜色

c : color, sequence, or sequence of color, optional, default: ‘b’

c can be a single color format string, or a sequence of color specifications of length N, or a sequence of Nnumbers to be  mapped to colors using the cmap and norm specified via kwargs (see below). Note that c should not be a single numeric RGB or RGBA sequence because that is indistinguishable from an array of values to be colormapped. c can be a 2-D array in which the rows are RGB or RGBA, however, including the case of a single row to specify the same color for all points.

Matplotlib recognizes the following formats to specify a color:

• an RGB or RGBA tuple of float values in [0, 1] (e.g., (0.1, 0.2, 0.5) or (0.1, 0.2, 0.5, 0.3));
• a hex RGB or RGBA string (e.g., '#0F0F0F' or '#0F0F0F0F');
• a string representation of a float value in [0, 1] inclusive for gray level (e.g., '0.5');
• one of {'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'};
• a X11/CSS4 color name;
• a name from the xkcd color survey; prefixed with 'xkcd:' (e.g., 'xkcd:sky blue');
• one of {'tab:blue', 'tab:orange', 'tab:green', 'tab:red', 'tab:purple', 'tab:brown', 'tab:pink', 'tab:gray', 'tab:olive','tab:cyan'} which are the Tableau Colors from the ‘T10’ categorical palette (which is the default color cycle);
• a “CN” color spec, i.e. 'C' followed by a single digit, which is an index into the default property cycle (matplotlib.rcParams['axes.prop_cycle']); the indexing occurs at artist creation time and defaults to black if the cycle does not include color.

All string specifications of color, other than “CN”, are case-insensitive.

c='r'表示所有点的颜色都变为红色

如果要设置不同的颜色，要用数组或元组，如下：
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],s=[1,50], c=('r','b'))
设置规律同参数s，1、2、3循环

参数marker

marker : MarkerStyle, optional, default: ‘o’

表示图上的点的样式，默认是'o'，也就是我们最常见的圆点，没看出来"."和"o"有什么区别。

All possible markers are defined here:

以下是所有可能的样式，各位有兴趣可以试一下，挺好玩的。 其中从TICKLEFT开始的几个英文单词，不知道怎么用。

For backward compatibility, the form (verts, 0) is also accepted, but it is equivalent to just verts for giving a raw set of vertices that define the shape.

其它的参数暂时不去分析，以后用到时再说。