Python中如何在多模态散点图内生成各单模态曲线
三模态散点图叠加独立单模态曲线的实现方案
核心逻辑
你当前观察到的三峰多模态散点,本质是3个独立单峰分布的样本混合。要在原有散点图上叠加拆分后的单模态曲线,核心是通过*高斯混合模型(GMM)*从现有散点中拟合出每个独立分量的分布参数,再基于参数生成和散点坐标尺度匹配的单峰曲线,直接叠加上原有画布即可。
分步实现流程
- 保留原有散点图的基础绘制
先按照你原本的代码流程绘制x、y对应的散点图,绘制完成后记录当前坐标轴的上下限范围,避免后续绘制的曲线打乱原有画布的尺度比例。 - 从散点数据中拆分3个单模态分量
由于你已知散点存在3个独立峰值,直接将GMM的分量数固定为3,输入全部散点的(x,y)坐标进行拟合,即可输出每个分量的均值、协方差、混合权重三个核心参数,对应三个独立单峰的分布特征。 - 生成适配当前坐标轴的单峰曲线
基于散点图的横轴范围生成连续采样点,对每个GMM分量计算对应横轴位置的分布密度值;由于概率密度的原始数值范围和散点纵轴范围不匹配,需要将密度值按固定比例缩放,让曲线落在散点图的可视区域内,不会全部挤在图的底部。 - 将拆分曲线叠加到原散点图
直接在已有的散点图坐标轴上调用绘图接口画出3条单峰曲线即可,不需要新建画布。可以给不同分量的曲线设置差异化颜色、线型,和原灰色散点形成清晰区分。
可直接运行的参考代码
import matplotlib.pyplot as plt import numpy as np from sklearn.mixture import GaussianMixture # -------------------------- 替换为你自己的x、y散点数据 -------------------------- # 下方为模拟三峰散点的示例,实际使用时直接替换为你的真实x、y数组即可 np.random.seed(42) peak1 = np.random.normal(loc=(2, 3), scale=(0.5, 0.6), size=(200, 2)) peak2 = np.random.normal(loc=(5, 6), scale=(0.6, 0.5), size=(220, 2)) peak3 = np.random.normal(loc=(8, 2), scale=(0.5, 0.4), size=(180, 2)) X = np.vstack((peak1, peak2, peak3)) x, y = X[:, 0], X[:, 1] # ----------------------------------------------------------------------------- # 1. 先绘制原有散点图 fig, ax = plt.subplots(figsize=(8, 5)) ax.scatter(x, y, alpha=0.4, s=30, c="#666666") # 记录原散点图的坐标轴范围,用于后续尺度匹配 x_lim = ax.get_xlim() y_lim = ax.get_ylim() # 2. 拟合3分量高斯混合模型,拆分独立单峰 gmm = GaussianMixture(n_components=3, random_state=42) gmm.fit(X) # 3. 为每个分量生成匹配坐标轴尺度的单峰曲线 x_curve = np.linspace(x_lim[0], x_lim[1], 200) # 缩放系数控制曲线整体高度,可根据视觉效果调整 scale_factor = (y_lim[1] - y_lim[0]) * 0.5 for i in range(gmm.n_components): # 提取当前分量的高斯参数 mean_x = gmm.means_[i, 0] mean_y = gmm.means_[i, 1] sigma_x = np.sqrt(gmm.covariances_[i, 0, 0]) weight = gmm.weights_[i] # 生成单峰曲线 y_curve = mean_y + weight * scale_factor * np.exp(-(x_curve - mean_x)**2 / (2 * sigma_x**2)) ax.plot(x_curve, y_curve, linewidth=2, label=f"单模态分量 {i+1}") # 还原原有坐标轴范围,避免曲线拉伸改变画布比例 ax.set_xlim(x_lim) ax.set_ylim(y_lim) ax.legend() plt.show()
实操调整提示
- 不要直接用整体核密度估计(KDE)画多峰曲线,这种方式输出的是连续的整体分布,无法拆成3条独立的单模态线。
- 如果GMM自动拟合的峰值位置和你目视观察到的峰位置偏差较大,可以手动将你识别到的3个峰的中心坐标作为初始均值传入GMM参数,强制模型对齐对应位置。
- 曲线的整体高度可以通过修改
scale_factor参数调整,数值越大曲线抬得越高,避免遮挡过多散点。
内容的提问来源于stack exchange,提问作者user15021588
相关产品推荐
相关产品推荐

