散点图数据实例，数据可视化散点图代码

欧气 2024年09月30日 13:29 2 0

本文目录导读：

散点图的基本概念
散点图的深入分析
散点图在不同领域的应用

《数据可视化之散点图：探索数据关系的利器》

在数据科学和分析领域，散点图是一种非常强大且直观的工具，用于展示两个变量之间的关系，它能够帮助我们快速洞察数据中的模式、趋势以及异常值。

散点图数据实例，数据可视化散点图代码

图片来源于网络，如有侵权联系删除

散点图的基本概念

散点图由一系列的点组成，每个点在平面直角坐标系中的位置由两个变量的值确定，我们将一个变量作为横坐标（x轴），另一个变量作为纵坐标（y轴），在研究学生的学习成绩时，我们可以将学习时间作为x轴变量，考试成绩作为y轴变量，通过散点图，我们可以直观地看到学习时间和考试成绩之间是否存在某种关联，是正相关（学习时间越长，成绩越高）、负相关（学习时间越长，成绩越低）还是没有明显的相关性。

二、散点图的绘制示例（以Python语言为例）

（一）准备数据

我们需要导入必要的库，如matplotlib和numpy，假设我们要研究身高和体重之间的关系，我们可以生成一些随机的身高和体重数据。

import numpy as np
import matplotlib.pyplot as plt
生成随机身高数据（单位：厘米）
height = np.random.randint(150, 190, 50)
生成随机体重数据（单位：千克）
weight = np.random.randint(40, 90, 50)

（二）绘制散点图

plt.scatter(height, weight)
plt.xlabel('Height (cm)')
plt.ylabel('Weight (kg)')
plt.title('Relationship between Height and Weight')
plt.show()

在上述代码中，plt.scatter()函数用于绘制散点图，我们传入身高和体重数据作为参数，我们使用plt.xlabel()和plt.ylabel()分别设置x轴和y轴的标签，plt.title()设置图表的标题，最后通过plt.show()显示散点图。

从绘制出的散点图中，我们可以初步观察到身高和体重之间似乎存在一定的正相关关系，即身高较高的人往往体重也较重，但这种关系并不是非常严格的线性关系，因为散点的分布比较分散。

散点图数据实例，数据可视化散点图代码

图片来源于网络，如有侵权联系删除

散点图的深入分析

（一）相关性判断

除了通过肉眼观察散点图的趋势来判断变量之间的相关性，我们还可以使用数学方法进行量化，在Python中，可以使用numpy库中的corrcoef()函数来计算相关系数，相关系数的取值范围在 - 1到1之间，接近1表示强正相关，接近 - 1表示强负相关，接近0表示无明显相关性。

correlation = np.corrcoef(height, weight)[0, 1]
print('Correlation coefficient:', correlation)

（二）添加趋势线

为了更清晰地展示变量之间的关系趋势，我们可以在散点图上添加趋势线，对于近似线性关系的散点图，我们可以使用最小二乘法拟合一条直线，在matplotlib中，可以通过numpy.polyfit()和plt.plot()函数来实现。

使用最小二乘法拟合直线
z = np.polyfit(height, weight, 1)
p = np.poly1d(z)
plt.scatter(height, weight)
plt.plot(height, p(height), 'r')
plt.xlabel('Height (cm)')
plt.ylabel('Weight (kg)')
plt.title('Relationship between Height and Weight with Trend Line')
plt.show()

这条红色的趋势线能够帮助我们更好地理解身高和体重之间的大致关系，尽管实际数据存在一定的波动。