一、散点图(scatter plot)
- 介绍
The following text and graph are adapted from Baidu.
散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
- 绘制散点图
我们使用plt.scatter来绘制散点图，这个函数的详细文档说明将写在最后，首先看典型用法示例：
对于二维散点图所反映的数据关系，一般是正相关、负相关、不相关三种，下面分别举例
A.正相关
import numpy as np
import matplotlib.pyplot as plt
# 身高体重数据定义
height = [161, 170, 182, 175, 173, 165]
weight = [50, 58, 80, 70, 65, 55]
# 绘制散点图
plt.scatter(height, weight, color='r')
plt.show()
绘制出来的图如下, 可以看到明显的正相关：
B.不相关
import numpy as np
import matplotlib.pyplot as plt
N = 1000
# 随机生成1000个数据
x = np.random.randn(N)
y = np.random.randn(N)
# 绘制散点图
plt.scatter(x, y, color='r')
plt.show()
绘制出来的图片如下，可以看到分布是离散的，没有显著规律性。
C. 负相关
import numpy as np
import matplotlib.pyplot as plt
N = 1000
# 随机数据定义
x = np.random.randn(N)
y = -x + np.random.randn(N)
# 绘制散点图
plt.scatter(x, y, color='r')
plt.show()
绘制出来的图片如下，可以看到负相关：
- 最后附上官方文档中对scatter函数的完整说明：
对于散点图，我们有时候可能需要调整绘制出来的点的外观，一般来说有以下几个参数使用的比较多：
A.颜色：c c = [‘r’, ‘g’ , ‘b’]
B.点的大小(面积):s s = 2
C.透明度:alpha alpha = 1是完全实心的，透明度的适度调整可以方便观察点的密集和重合程度，方便判断点的密度。
D.点的形状：marker marker = [‘x’, ‘o’, ‘<’, ‘>’]
改换样式之后的散点图：
