引言：突出显示散点图中特定点的需求
在数据可视化过程中，散点图常用于展示两个变量之间的关系。然而，有时我们需要特别强调图中的某个或某几个点，例如它们可能是异常值、关键事件点，或是特定条件下的成功结果。简单地绘制所有点为同一种颜色，可能会使这些重要信息淹没在大量数据中。
以一个随机数猜测游戏为例：计算机尝试猜测一个预设的随机数，每次猜测都会被记录下来。我们希望将所有猜测绘制成散点图，并特别突出显示最后一次——即正确的猜测点，使其颜色与之前的错误猜测点不同。这有助于我们直观地看到成功时刻。
Matplotlib 散点图的默认行为
在使用 Matplotlib 的 mpl.plot() 函数绘制散点图时，如果传入的是一个数据列表，它会默认将列表中的所有点视为一个整体，并应用相同的样式（如颜色、标记类型）。例如，以下代码会绘制所有猜测点，但它们都将是相同的默认颜色：
import random
import matplotlib.pyplot as mpl
x = random.randint(1, 100)
i = 0
tries = []
while True:
i += 1
y = random.randint(1, 100)
tries.append(y)
if y == x:
print(f"The computer got it right in {i} tries.")
print(f"The number was {x}")
break
mpl.plot(tries, tries, 'o') # 所有点都将是默认颜色
mpl.show()这种默认行为使得我们无法直接通过一次 mpl.plot() 调用来为单个点指定不同的颜色。
解决方案：分步绘制法
要实现为散点图中特定点设置不同颜色的目标，最直接且有效的方法是将需要特殊处理的点与其余点分开，进行两次或多次独立的绘制操作。
核心思想：
- 首先，使用一种颜色绘制除了目标点之外的所有点。
- 然后，使用另一种颜色单独绘制目标点。
下面我们将结合随机数猜测游戏的例子，详细展示如何实现。
步骤一：绘制大部分数据点（错误猜测）
我们可以利用 Python 列表的切片功能，选择除最后一个元素之外的所有元素。tries[:-1] 表示从列表的开头到倒数第二个元素（不包括最后一个）。
# 绘制所有错误的猜测点为蓝色 mpl.plot(tries[:-1], tries[:-1], 'o', color='blue')
在这里，tries[:-1] 同时作为 x 轴和 y 轴的数据，'o' 指定了圆形标记，color='blue' 将这些点设置为蓝色。
步骤二：绘制特定数据点（正确猜测）
接下来，我们使用负索引 tries[-1] 来精确选取列表中的最后一个元素，即正确的猜测点。
# 绘制正确的猜测点为红色 mpl.plot(tries[-1], tries[-1], 'o', color='red')
tries[-1] 作为 x 轴和 y 轴的数据，'o' 同样指定圆形标记，而 color='red' 则将这个关键点突出显示为红色。
完整示例代码
将上述两个步骤整合到一起，就得到了完整的解决方案代码：
import random
import matplotlib.pyplot as mpl
# 随机数猜测游戏逻辑
x = random.randint(1, 100)
i = 0
tries = []
while True:
i += 1
y = random.randint(1, 100)
tries.append(y)
if y == x:
print(f"The computer got it right in {i} tries.")
print(f"The number was {x}")
break
# --- 数据可视化部分 ---
# 1. 绘制所有错误的猜测点为蓝色
# tries[:-1] 获取除最后一个元素外的所有元素
mpl.plot(tries[:-1], tries[:-1], 'o', color='blue', label='错误猜测')
# 2. 绘制正确的猜测点为红色
# tries[-1] 获取最后一个元素
mpl.plot(tries[-1], tries[-1], 'o', color='red', label='正确猜测')
# 添加图例和标题，增强可读性
mpl.title('随机数猜测过程中的点')
mpl.xlabel('猜测值')
mpl.ylabel('猜测值')
mpl.legend() # 显示图例
mpl.grid(True) # 添加网格线
mpl.show()运行这段代码，你将看到一个散点图，其中所有错误的猜测点都是蓝色，而最终的正确猜测点则醒目地显示为红色，从而清晰地突出了游戏的关键结果。
注意事项与扩展
数据准备： 这种方法要求你的数据结构能够方便地分离出目标点。在我们的例子中，目标点是列表的最后一个元素，因此使用 [:-1] 和 [-1] 非常方便。如果目标点在列表的中间，你可能需要使用索引、循环或列表推导来筛选出它们。
高亮多个特定点： 如果你需要高亮多个不连续的特定点，可以多次调用 mpl.plot()，每次传入一个或一组需要高亮显示的点，并为其指定不同的颜色。或者，你可以将所有需要高亮的点收集到一个新的列表中，然后一次性绘制。
其他自定义： 除了颜色，你还可以同时修改标记的样式（marker 参数，如 's' 方块, '^' 三角形）、大小（markersize 或 ms 参数）、透明度（alpha 参数）等，以进一步增强特定点的视觉效果。
替代方法（plt.scatter）： 对于更复杂的高亮需求，特别是当每个点都需要独立颜色时，matplotlib.pyplot.scatter() 函数可能更适用。scatter 函数接受一个 c 参数，可以传入一个与数据点数量相同的颜色列表或数组，从而为每个点指定不同的颜色。然而，对于仅需突出少量特定点的情况，分步 mpl.plot() 通常更直观和易于理解。
总结
通过将散点图中的特定点与其余点分开绘制，我们能够有效地利用 Matplotlib 的灵活性，为这些关键数据点赋予独特的视觉样式。这种分步绘制的方法简单、直观且功能强大，是提升数据可视化效果、突出重要信息的重要技巧。掌握这一技巧，将使你的数据分析结果更具表现力和说服力。
