如何优化基于Target分类维度的matplotlib.pyplot散点图绘制语法

首先明确一点：Matplotlib原生确实没有像ggplot2那样，通过单个参数直接把分类变量映射到散点颜色/形状的极简语法，你之前拆分DataFrame分别绘图的写法是Matplotlib的常规操作，但确实不够高效。

最优解决方案：用Seaborn实现极简配置 #

Seaborn是Matplotlib的高级封装库，完美匹配你想要的简洁需求——只需在scatterplot函数中同时指定hue（控制颜色）和style（控制形状）参数，直接绑定到你的target变量即可：

import seaborn as sns
import matplotlib.pyplot as plt

# 一行代码实现颜色+形状按target区分
sns.scatterplot(data=df, x="length", y="width", hue="target", style="target")
plt.show()

自定义样式（可选）

如果想替换默认的颜色或形状，还可以通过palette和markers参数手动指定：

sns.scatterplot(
    data=df,
    x="length",
    y="width",
    hue="target",
    style="target",
    palette=["red", "blue", "green"],  # 对应target=0,1,2的颜色
    markers=["o", "s", "^"]            # 对应target=0,1,2的形状
)
plt.show()

关于你提到的几个疑问解答 #

• Matplotlib原生有没有更简洁的写法？
  有比你最初拆分更简洁的方式（比如循环遍历类别），但还是远不如Seaborn直观：

  import matplotlib.pyplot as plt
  
  colors = ["red", "blue", "green"]
  markers = ["o", "s", "^"]
  unique_targets = df["target"].unique()
  
  fig, ax = plt.subplots()
  for t, c, m in zip(unique_targets, colors, markers):
      subset = df[df["target"] == t]
      ax.scatter(subset["length"], subset["width"], color=c, marker=m, label=f"Target {t}")
  ax.legend()
  plt.show()
  

  但这种写法依然需要手动管理颜色、形状和循环，没有Seaborn的参数映射来得省心。

• 你的问题是否被误标记为重复？
  没错，很多同类问题只覆盖了颜色区分（用Seaborn的hue），没有同时涉及形状映射的需求，你的问题确实有独特性，应该被单独处理。

• 关于plotnine的选择
  plotnine确实能完美复刻ggplot2的语法，但它长期不更新的状态确实存在维护风险，如果你不想依赖它，Seaborn是当前Python生态中最成熟、最简洁的替代方案。

内容的提问来源于stack exchange，提问作者Sam OT