如何在Python中绘制椭圆散点图的边界线/最优拟合外框线

问题背景 #

我用这段代码从文本文件读取了5个参数：

H, OD, c, b, orc = np.genfromtxt('textfile.txt', unpack = True)

然后用简单的散点绘图代码两两组合这些参数，比如：

plt.plot(H[i], c[i], 'bo')

最终得到了10幅散点图，每幅图有30万个点，图形是实心圆、椭圆或者闭合的实心形状。现在想知道怎么给这些图形加上包围的边界线或者拟合外框线？

实用解决方案 #

根据你的图形特征，这里有几个靠谱的方法，都能适配30万点的大规模数据集：

1. 凸包（Convex Hull）—— 快速搞定凸形边界

如果你的散点是凸形分布（比如圆、椭圆），凸包是最直接的选择，它能生成包裹所有点的最小凸多边形边界，计算速度快，完全hold住30万点。

代码示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import ConvexHull

# 替换成你要处理的参数对，比如H和c
x, y = H, c
points = np.column_stack((x, y))

# 计算凸包
hull = ConvexHull(points)

# 绘制散点（s=1适合大量点，避免重叠）
plt.scatter(x, y, c='blue', s=1)

# 绘制凸包的闭合边界线
plt.plot(points[hull.vertices, 0], points[hull.vertices, 1], 'k--', linewidth=2)

plt.show()

注意：如果你的图形是凹形的，凸包会把凹进去的部分也包裹住，这种情况就需要用下面的方法。

2. DBSCAN聚类+凸包—— 适配凹形/带噪声的图形

如果你的散点是密集的闭合凹形，或者有少量噪声点，可以先用DBSCAN把核心的密集点聚类出来，再对核心点计算凸包，这样就能得到更贴合的边界。

代码示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import ConvexHull
from sklearn.cluster import DBSCAN

x, y = H, c
points = np.column_stack((x, y))

# DBSCAN聚类：eps是邻域半径，min_samples是邻域内最少点数，需要根据你的数据调整
db = DBSCAN(eps=0.1, min_samples=10).fit(points)
# 标记核心点（密集区域的点）
core_mask = np.zeros_like(db.labels_, dtype=bool)
core_mask[db.core_sample_indices_] = True
core_points = points[core_mask]

# 对核心点计算凸包
hull = ConvexHull(core_points)

# 绘图
plt.scatter(x, y, c='blue', s=1)
plt.plot(core_points[hull.vertices, 0], core_points[hull.vertices, 1], 'r--', linewidth=2)

plt.show()

你可以多调整eps和min_samples的值，直到边界贴合你的图形。

3. 椭圆拟合—— 精准适配椭圆形状

如果你的散点明显是椭圆，直接拟合椭圆会得到最精准的边界线：

代码示例：

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

x, y = H, c
points = np.column_stack((x, y))

# 标准化数据，方便PCA分析
scaler = StandardScaler()
scaled_points = scaler.fit_transform(points)

# 用PCA提取椭圆的主轴和方差
pca = PCA(n_components=2)
pca.fit(scaled_points)
mean = scaler.inverse_transform(pca.mean_)
cov_matrix = pca.get_covariance()

# 生成椭圆上的点
theta = np.linspace(0, 2*np.pi, 100)
ellipse_points = np.dot(np.array([np.cos(theta), np.sin(theta)]).T, np.linalg.cholesky(cov_matrix).T)
ellipse_points = scaler.inverse_transform(ellipse_points) + mean

# 绘图
plt.scatter(x, y, c='blue', s=1)
plt.plot(ellipse_points[:,0], ellipse_points[:,1], 'g-', linewidth=2)

plt.show()

这个方法会生成完美的椭圆边界，非常适合椭圆类的散点分布。

内容的提问来源于stack exchange，提问作者Ehsan