正文

Scatter图入门：轻松掌握Python数据可视化技巧

/0 浏览量
0709

在数据可视化领域，Scatter图（散点图）是一种非常基础的图表类型，它能够直观地展示两个变量之间的关系。无论是用于学术研究还是商业分析，Scatter图都是一个强有力的工具。本文将带你从零开始，了解Scatter图，并学习如何在Python中使用matplotlib库进行绘制。

散点图的基本概念

散点图由一系列的点组成，每个点代表一个观测值。这些点在图中的位置由两个变量的值决定。通常，横轴（X轴）代表一个变量，纵轴（Y轴）代表另一个变量。通过观察这些点在图中的分布情况，我们可以了解两个变量之间的相关性。

相关性类型

  1. 正相关：当一个变量的值增加时，另一个变量的值也增加。
  2. 负相关：当一个变量的值增加时，另一个变量的值减少。
  3. 无相关：两个变量的值之间没有明显的趋势。

Python中的散点图绘制

在Python中，我们可以使用matplotlib库来绘制散点图。以下是一个简单的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.array([5, 7, 8, 7, 2, 17, 2, 9, 4, 11, 12, 9, 6])
y = np.array([99, 86, 87, 88, 100, 86, 103, 87, 94, 78, 77, 85, 86])

# 绘制散点图
plt.scatter(x, y)
plt.title('散点图示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.grid(True)
plt.show()

在上面的代码中，我们首先导入了matplotlib.pyplot和numpy库。然后，我们创建了一些随机数据，并使用plt.scatter()函数绘制了散点图。最后，我们设置了图表的标题、坐标轴标签和网格线。

散点图的高级技巧

添加图例

当你的散点图包含多个数据集时，图例可以帮助你区分不同的数据集。

# 创建第二个数据集
y2 = np.array([101, 93, 87, 102, 68, 105, 79, 91, 96, 81])

# 绘制第二个数据集的散点图
plt.scatter(x, y, color='blue', label='数据集1')
plt.scatter(x2, y2, color='red', label='数据集2')

# 添加图例
plt.legend()

调整点的大小和颜色

你可以通过修改plt.scatter()函数的参数来调整点的大小和颜色。

plt.scatter(x, y, s=100, c='green', alpha=0.5)

在上面的代码中，s参数控制点的大小，c参数控制点的颜色，alpha参数控制点的透明度。

添加参考线

有时候，添加参考线可以帮助你更好地理解数据。

plt.axhline(y=90, color='r', linestyle='--')
plt.axvline(x=6, color='b', linestyle='--')

在上面的代码中，axhline()和axvline()函数分别用于添加水平和垂直参考线。

总结

Scatter图是一种强大的数据可视化工具，可以帮助我们理解两个变量之间的关系。通过Python中的matplotlib库，我们可以轻松地创建和定制散点图。希望本文能帮助你入门Scatter图，并在实际应用中发挥其价值。

-- 展开阅读全文 --