matplotlib绘制6维PSNR数据触发Unrecognized marker style错误如何解决

你遇到的报错完全是plt.scatter()参数传错导致的：plt.scatter()的位置参数规则为前两个参数分别是x轴、y轴的坐标数据，第三个位置参数对应点的大小s，第四个对应点的颜色c，第五个参数对应点的样式marker。你直接将6个维度的数组依次传入作为位置参数，第五个位置传入的psnr_bitrate[:,4]数组被matplotlib识别为marker参数，而marker仅支持单个字符串（比如'o'/'^'）、坐标点序列等合法格式，传入数值数组自然触发格式错误。

普通二维画布的散点图原生仅支持两个维度的坐标映射，直接传6个维度作为位置参数不符合scatter的API定义，完全无法正常运行。如果要在散点图上展示多维度信息，可以将额外维度映射到散点的颜色、大小、透明度、样式等视觉属性上，或者先做降维处理。

推荐两种常用方案，你可以根据需求选择：

方案1：降维后展示聚类结果（最常用） #

先通过PCA或者t-SNE算法将6维数据降到2维，再用散点图展示，用颜色区分聚类标签，示例代码如下：

import numpy as np
import glob
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA

# 原数据读取和聚类代码
psnr_bitrate=np.vstack([np.loadtxt(path, dtype='float') for path in glob.iglob(r'E:/UGC/*.txt')])
scaler = StandardScaler()
scaled_features = scaler.fit_transform(psnr_bitrate)
kmeans = KMeans(init="random",n_clusters=3,n_init=10,max_iter=300,random_state=42)
kmeans.fit(scaled_features)
y_kmeans = kmeans.predict(scaled_features)

# 降维到2维
pca = PCA(n_components=2)
reduced_features = pca.fit_transform(scaled_features)

# 绘制聚类结果
plt.scatter(reduced_features[:, 0], reduced_features[:, 1], c=y_kmeans, s=50, cmap='viridis')
plt.xlabel('PCA主成分1')
plt.ylabel('PCA主成分2')
plt.title('6维PSNR数据K-Means聚类结果')
plt.show()

方案2：多视觉属性映射保留原始维度 #

如果需要保留原始维度的物理意义，可以将不同维度映射到散点的不同视觉属性，示例：

# 以x=第0列、y=第1列，大小映射第2列，颜色映射聚类标签为例
plt.scatter(
    x=psnr_bitrate[:, 0],
    y=psnr_bitrate[:, 1],
    s=psnr_bitrate[:, 2] * 10, # 缩放数值到合适的点大小范围
    c=y_kmeans,
    cmap='viridis',
    alpha=0.7 # 透明度映射可选，可对应第3列数据
)
plt.xlabel('维度0')
plt.ylabel('维度1')
plt.show()

内容的提问来源于stack exchange，提问作者david