目录

[TOC]

前言

散点图是用于观测数据的相关性的，有正相关，负相关，不相关

（一）散点图的基础知识

（1）说明

语法：plt.scatter(x, y, s, c ,marker, alpha)

x,y: x轴与y轴的数据

s: 点的面积

c: 点的颜色

marker: 点的形状

alpha: 透明度

（2）源代码

我们来探讨身高与体重是否相关？

import numpy as npimport matplotlib.pyplot as plt# 身高与体重的数据height = [161, 170, 182, 175, 173, 165]weight = [50, 58, 80, 70, 69, 55]# 散点图plt.scatter(height, weight)plt.ylabel("height")plt.xlabel("weight")# 展示图标plt.show()

（3）输出效果

01.png

（二）相关性的举例

==1.正相关==

（1）源代码

import numpy as npimport matplotlib.pyplot as pltN = 1000# 数据x = np.random.randn(N)y2 = x + np.random.randn(N)*0.5# 散点图plt.scatter(x, y2)# 展示图标plt.show()

（2）输出效果

02.png

==1.负相关==

（1）源代码

import numpy as npimport matplotlib.pyplot as pltN = 1000# 数据x = np.random.randn(N)y2 = -x + np.random.randn(N)*0.5# 散点图plt.scatter(x, y2)# 展示图标plt.show()

（2）输出效果

03.png

==1.不相关==

（1）源代码

import numpy as npimport matplotlib.pyplot as pltN = 1000# 数据x = np.random.randn(N)y1 = np.random.randn(N)# 散点图plt.scatter(x, y1)# 展示图标plt.show()

（2）输出效果

04.png

（三）实战项目以一股票的分析

（1）说明

有的人说股票的涨跌变动，昨天的与今天的有关，今天我们就用散点图来分析一下。

（2）源代码

import numpy as npimport matplotlib.pyplot as plt# 1.数据open_data, close_data = np.loadtxt("000001.csv", delimiter=',', skiprows=1, usecols=(1, 4), unpack=True)change_data = close_data - open_data# 1.1前一天的数据yesterday = change_data[:-1]# 1.2后一条的数据today = change_data[1:]# 2.散点图 s （面积）  c （颜色） marker （标记） alpha(透明度)plt.scatter(yesterday, today, s=500, c="r", marker="^", alpha=0.5)# 4.展示图plt.show()

（3）输出效果

05.png

作者：Mark

日期：2019/02/08 周五

原著是一个有趣的人,若有侵权,请通知删除