散点图
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，其应用有很多，总结两个常见的应用如下：
- 回归分析。散点图用于回归分析中，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。散点图经过回归分析之后，可以对相关对象进行预测分析，能让我们发现变量之间隐藏的关系，进而做出科学的决策，而不是模棱两可。比如，下面房价的散点图可以为我们直观呈现不同城市的房价上涨情况，为后续的房价政策调整做出重要的支持。
- 相关分析。散点图用于相关性分析中，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。通过观察散点图上数据点的分布情况，我们可以推断出变量间的相关性。如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点，如果存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。变量间的关系有很多，如线性关系、指数关系、对数关系等等，当然，没有关系也是一种重要的关系。
1.scatter()
我们使用pyplot 中的 scatter() 方法来绘制散点图。scatter() 方法语法格式如下：
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, *, edgecolors=None, plotnonfinite=False, data=None, **kwargs)
2.参数说明
x，y：长度相同的数组，也就是我们即将绘制散点图的数据点，输入数据。
s：点的大小，默认 20，也可以是个数组，数组每个参数为对应点的大小。
c：点的颜色，默认蓝色 ‘b’，也可以是个 RGB 或 RGBA 二维行数组。
| 颜色标记 | 描述 |
|---|---|
| ‘r’ | red |
| ‘g’ | green |
| ‘b’ | blue |
| ‘c’ | cyan |
| ‘m’ | magenta |
| ‘y’ | yellow |
| ‘k’ | black |
| ‘w’ | white |
marker：点的样式，默认小圆圈 ‘o’。
cmap：Colormap，默认 None，标量或者是一个 colormap 的名字，只有 c 是一个浮点数数组的时才使用。如果没有申明就是 image.cmap。
norm：Normalize，默认 None，数据亮度在 0-1 之间，只有 c 是一个浮点数的数组的时才使用。
vmin，vmax：：亮度设置，在 norm 参数存在时会忽略。
alpha：：透明度设置，0-1 之间，默认 None，即不透明。
linewidths：：标记点的长度。
edgecolors：：颜色或颜色序列，默认为 ‘face’，可选值有 ‘face’, ‘none’, None。
plotnonfinite：：布尔值，设置是否使用非限定的 c ( inf, -inf 或 nan) 绘制点。
**kwargs：：其他参数。
基本x-y坐标
import matplotlib.pyplot as plt
import numpy as npx = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
plt.scatter(x, y, color = 'r',marker='v')x = np.array([2,2,8,1,15,8,12,9,7,3,11,4,7,14,12])
y = np.array([100,105,84,105,90,99,90,95,94,100,79,112,91,80,85])
plt.scatter(x, y, color = 'b',marker='*')plt.title(" TITLE")
plt.xlabel("x - label")
plt.ylabel("y - label")plt.show()
分类比较
import matplotlib.pyplot as plt
import numpy as npx = np.array([177, 185, 166, 160, 175, 176, 157, 154, 141, 191])
y = np.array(["Type A"] * 10)
plt.scatter(x, y, color='b')
meanA = x.mean()x = np.array([178, 179, 180, 190, 188, 174, 156, 192, 189, 179])
y = np.array(["Type B"] * 10)
plt.scatter(x, y, color='r')
meanB = x.mean()x = np.array([162, 168, 167, 155, 176, 197, 173, 158, 178, 190])
y = np.array(["Type C"] * 10)
plt.scatter(x, y, color='g')
meanC = x.mean()x = np.array([meanA, meanB, meanC])
y = np.array(["mean"] * 3)
color = np.array(["b", "r", "g"])
plt.scatter(x, y, color=color)# plt.axhline(y=,ls=":",c="yellow")#添加水平直线
for i, j in zip(x, color):plt.axvline(x=i, ls="-", c=j) # 添加垂直直线for i in range(len(x)):plt.annotate('%s' % x[i], xy=(x[i], y[i]))plt.xlabel("performance")
plt.ylabel("Type")
plt.title('compare A B C')
plt.show()
# plt.savefig("compare.png")
