Python散点图(Scatter Plot)：高阶分析、散点图矩阵、三维散点图及综合应用

散点图：数据分析的利器

在数据分析领域，散点图是一种直观且强大的可视化工具，广泛应用于揭示变量间的相关性以及识别数据集中的异常值。本文将深入探讨散点图的这两种关键功能，并结合实际案例与Python代码示例，带您全面了解散点图的应用。

一、散点图如何展示变量间的相关性

正相关关系

当两个变量呈现正相关关系时，数据点会呈现出从左下方向右上方延伸的分布趋势。例如，随着广告投入的增加，产品销售额也相应上升。

import matplotlib.pyplot as plt
import numpy as np

# 生成正相关的数据
np.random.seed(0)
x = np.random.rand(50)
y = x + np.random.rand(50) * 0.2

# 绘制散点图
plt.figure(figsize=(8, 6))
plt.scatter(x, y, color='blue', alpha=0.7)
plt.title('正相关关系散点图')
plt.xlabel('广告投入')
plt.ylabel('产品销售额')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

负相关关系

负相关关系则表现为数据点从左上方向右下方分布。比如，随着气温的升高，热饮的销售量反而下降。

# 生成负相关的数据
np.random.seed(0)
x = np.random.rand(50)
y = -x + np.random.rand(50) * 0.2

# 绘制散点图
plt.figure(figsize=(8, 6))
plt.scatter(x, y, color='red', alpha=0.7)
plt.title('负相关关系散点图')
plt.xlabel('气温')
plt.ylabel('热饮销售量')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

无明显相关性

如果两个变量之间不存在明显相关性，散点图上的数据点会呈现出随机分布的状态，没有明显的趋势或模式。

# 生成无明显相关的数据
np.random.seed(0)
x = np.random.rand(50)
y = np.random.rand(50)

# 绘制散点图
plt.figure(figsize=(8, 6))
plt.scatter(x, y, color='green', alpha