Python数据可视化：5段代码搞定散点图绘制与使用，值得收藏

导读：什么是散点图？可以用来呈现哪些数据关系？在数据分析过程中可以解决哪些问题？怎样用Python绘制散点图？本文逐一为你解答。

作者：屈希峰

来源：大数据DT（ID：bigdatadt）

01 概述

散点图（Scatter）又称散点分布图，是以一个变量为横坐标，另一个变量为纵坐标，利用散点（坐标点）的分布形态反映变量统计关系的一种图形。

特点是能直观表现出影响因素和预测对象之间的总体关系趋势。优点是能通过直观醒目的图形方式反映变量间关系的变化形态，以便决定用何种数学表达方式来模拟变量之间的关系。散点图不仅可传递变量间关系类型的信息，还能反映变量间关系的明确程度。

通过观察散点图数据点的分布情况，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。

数据的相关关系大体上可以分为：正相关（两个变量值同时增长）、负相关（一个变量值增加，另一个变量值下降）、不相关、线性相关、指数相关等，表现在散点图上的大致分布如图1所示。那些离点集群较远的点我们称之为离群点或者异常点。

▲图1 散点数据的相关性

在Python体系中，可使用Scipy、Statsmodels或Sklearn等对离散点进行回归分析，归纳现有数据并进行预测分析。对于那些变量之间存在密切关系，但是这些关系又不像数学公式和物理公式那样能够精确表达的，散点图是一种很好的图形工具，可以进行直观展示，如图2所示。

▲图2 散点数据拟合（线性）

但是在分析过程中需要注意，变量之间的相关性并不等同于确定的因果关系，仍需要考虑其他影响因素。

02 实例

散点图代码示例如下所示。

代码示例①

# 数据  
x = [1, 2, 3, 4, 5]  
y = [6, 7, 2, 4, 5]  
# 画布：尺寸  
p = figure(plot_width=400, plot_height=400)  
# 画图  
p.scatter(x, y,   
          size=20, # screen units  显示器像素单位  
#           radius=1,  # data-space units  坐标轴单位  
          marker="circle", color="navy", alpha=0.5)    
# p.circle(x, y, size=20, color="navy", alpha=0.5)  
# 显示  
show(p)  

运行结果如图3所示。

▲图3 代码示例①运行结果

代码示例①中第7行使用scatter方法进行散点图绘制；第11行采用circle方法进行散点图绘制（推荐）。关于这两个方法的参数说明如下。

p.circle(x, y, **kwargs)参数说明。

• x (str or seq[float]) : 离散点的x坐标，列名或列表

• y (str or seq[float]) : 离散点的y坐标

• size (str or list[float]) : 离散点的大小，屏幕像素单位

• marker (str, or list[str]) : 离散点标记类型名称或名称列表

• color (color value, optional) : 填充及轮廓线的颜色

• source (`~bokeh.models.sources.ColumnDataSource`) : Bokeh专属数据格式

• **kwargs: 其他自定义属性；其中标记点类型marker默认值为：“marker="circle"”，可以用“radius”定义圆的半径大小（单位为坐标轴单位）。这在Web数据化中非常有用，不同的方式，在不同的设备上的展示效果会有些许差异。

p.scatter(x, y, **kwargs)参数说明。

• x (:class:`~bokeh.core.properties.NumberSpec` ) : x坐标

• y (:class:`~bokeh.core.properties.NumberSpec` ) : y坐标

• angle (:class:`~bokeh.core.properties.AngleSpec` ) : 旋转角度

• angle_units (:class:`~bokeh.core.en