如何用Python绘制不平衡数据两变量散点图？解决x与y长度不匹配报错

不平衡数据集说白了就是某一类样本数量远多于其他类，直接画散点图的话，少数类很容易被多数类的点完全掩盖。给你几个实用的解决思路：

• 用颜色+大小突出少数类
  如果你的数据带类别标签，给不同类别分配不同颜色，甚至给少数类用更醒目的颜色和更大的点。举个例子：

  import matplotlib.pyplot as plt
  import numpy as np
  
  # 构造不平衡数据：多数类（类别0）1000个样本，少数类（类别1）50个样本
  np.random.seed(42)
  x_major = np.random.normal(loc=5, scale=1, size=1000)
  y_major = np.random.normal(loc=5, scale=1, size=1000)
  x_minor = np.random.normal(loc=8, scale=1, size=50)
  y_minor = np.random.normal(loc=8, scale=1, size=50)
  
  plt.scatter(x_major, y_major, label='多数类', alpha=0.5, s=20)
  plt.scatter(x_minor, y_minor, label='少数类', color='#ff4444', s=40)
  plt.legend()
  plt.xlabel('变量X')
  plt.ylabel('变量Y')
  plt.title('不平衡数据集散点图')
  plt.show()
  

  给多数类加透明度避免点堆在一起，少数类用大红圆点，一眼就能识别出来。

• 对多数类做下采样
  如果数据量太大，直接从多数类里随机抽取和少数类数量相当的样本，让两类数据平衡后再绘图：

  from sklearn.utils import resample
  import pandas as pd
  
  # 把数据转成DataFrame方便处理
  df_major = pd.DataFrame({'x': x_major, 'y': y_major, 'label': 0})
  df_minor = pd.DataFrame({'x': x_minor, 'y': y_minor, 'label': 1})
  
  # 下采样多数类，数量和少数类一致
  df_major_downsampled = resample(df_major, n_samples=len(df_minor), random_state=42)
  df_balanced = pd.concat([df_major_downsampled, df_minor])
  
  # 绘制平衡后的散点图
  plt.scatter(df_balanced[df_balanced['label']==0]['x'], df_balanced[df_balanced['label']==0]['y'], label='多数类（下采样）')
  plt.scatter(df_balanced[df_balanced['label']==1]['x'], df_balanced[df_balanced['label']==1]['y'], color='#ff4444', label='少数类')
  plt.legend()
  plt.show()
  

• 用Seaborn的分类图
  Seaborn的stripplot或者swarmplot天生适合处理这类不平衡数据，能自动避免点过度重叠：

  import seaborn as sns
  df_all = pd.concat([df_major, df_minor])
  sns.stripplot(x='label', y='x', data=df_all, jitter=True, alpha=0.6)
  plt.title('不平衡数据的X变量分布')
  plt.show()
  

这个报错原因很直白：plt.scatter()要求x和y的长度必须完全一致，因为每个x值都得对应一个y值才能确定散点的位置。你的代码里x有6个元素，y只有3个，自然没法配对。具体怎么解决，得看你想实现的效果：

• 如果是数据输入错误：补全y的长度
  如果你本来就想让每个x都对应一个y，那把y补到和x一样长就行：

  import matplotlib.pyplot as plt
  x = [1,2,3,4,4,5]
  y = [1,2,3,4,5,6]  # 现在长度和x一致
  plt.scatter(x,y)
  plt.show()
  

• 如果想让每个y对应多个x值
  比如y的第一个值对应x的前两个元素，第二个值对应中间两个，第三个对应最后两个，那就把y扩展成和x长度一致的数组：

  x = [1,2,3,4,4,5]
  y = [1,1,2,2,3,3]  # 每个y值重复对应x的元素
  plt.scatter(x,y)
  plt.show()
  

• 如果想绘制分组散点（每个y对应一组x）
  可以用循环分别绘制每组：

  x_groups = [[1,2], [3,4], [4,5]]  # 把x分成和y长度对应的三组
  y = [1,2,3]
  for x_group, y_val in zip(x_groups, y):
      plt.scatter(x_group, [y_val]*len(x_group), label=f'y={y_val}')
  plt.legend()
  plt.xlabel('X变量')
  plt.ylabel('Y变量')
  plt.show()
  

• 如果想展示x在不同y类别下的分布
  这种情况用箱线图或者小提琴图更合适，不需要x和y长度一致：

  import seaborn as sns
  # 把y扩展成和x长度一致，对应每个x所属的类别
  y_expanded = [1,1,2,2,3,3]
  sns.boxplot(x=y_expanded, y=x)
  plt.title('X变量在不同Y类别下的分布')
  plt.show()
  

内容的提问来源于stack exchange，提问作者Shubham S. Naik