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：华章科技
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。
