快捷導(dǎo)航

Python繪制散點(diǎn)圖之可視化神器pyecharts

更新時(shí)間：2022年07月06日 17:15:43 作者：王小王_123???????

這篇文章主要介紹了Python繪制散點(diǎn)圖之可視化神器pyecharts,文章圍繞主題展開(kāi)詳細(xì)的內(nèi)容介紹，具有一定的參考價(jià)值，需要的小伙伴可以參考一下

散點(diǎn)圖

什么是散點(diǎn)圖？

散點(diǎn)圖是指在數(shù)理統(tǒng)計(jì)回歸分析中，數(shù)據(jù)點(diǎn)在直角坐標(biāo)系平面上的分布圖，散點(diǎn)圖??表示因變量隨自變量而變化的大致趨勢(shì)，由此趨勢(shì)可以選擇合適的函數(shù)進(jìn)行經(jīng)驗(yàn)分布的擬合，進(jìn)而找到變量之間的函數(shù)關(guān)系。

散點(diǎn)圖有什么用處？

1、數(shù)據(jù)用圖表來(lái)展示，顯然比較直觀，在工作匯報(bào)等場(chǎng)合能起到事半功倍的效果，讓聽(tīng)者更容易接受，理解你所處理的數(shù)據(jù)。
2、散點(diǎn)圖更偏向于研究型圖表，能讓我們發(fā)現(xiàn)變量之間隱藏的關(guān)系為我們決策作出重要的引導(dǎo)作用。
3、散點(diǎn)圖核心的價(jià)值在于發(fā)現(xiàn)變量之間的關(guān)系，千萬(wàn)不要簡(jiǎn)單地將這個(gè)關(guān)系理解為線性回歸關(guān)系。變量間的關(guān)系有很多，如線性關(guān)系、指數(shù)關(guān)系、對(duì)數(shù)關(guān)系等等，當(dāng)然，沒(méi)有關(guān)系也是一種重要的關(guān)系。
4、散點(diǎn)圖經(jīng)過(guò)回歸分析之后，可以對(duì)相關(guān)對(duì)象進(jìn)行預(yù)測(cè)分析，進(jìn)而做出科學(xué)的決策，而不是模棱兩可。比如說(shuō)：醫(yī)學(xué)里的白細(xì)胞散點(diǎn)圖可以在醫(yī)學(xué)檢測(cè)方面為我們健康提供精確的分析，為醫(yī)生后續(xù)的判斷做出重要的技術(shù)支持。

散點(diǎn)圖的基本構(gòu)成要素

散點(diǎn)圖主要的構(gòu)成元素有：數(shù)據(jù)源，橫縱坐標(biāo)軸，變量名，研究的對(duì)象。而基本的要素就是點(diǎn)，也就是我們統(tǒng)計(jì)的數(shù)據(jù)，由這些點(diǎn)的分布我們才能觀察出變量之間的關(guān)系。

而散點(diǎn)圖一般研究的是兩個(gè)變量之間的關(guān)系，往往滿足不了我們?nèi)粘５男枨?。因此，氣泡圖的誕生就是為散點(diǎn)圖增加變量，提供更加豐富的信息，點(diǎn)的大小或者顏色可以定義為第三個(gè)變量，因?yàn)椋龀鰜?lái)的散點(diǎn)圖類似氣泡，也由此得名為氣泡圖。

散點(diǎn)圖模板系列

簡(jiǎn)單散點(diǎn)圖

數(shù)據(jù)越多散點(diǎn)圖呈現(xiàn)的效果就越明顯。這也就是我們平時(shí)在進(jìn)行建模的時(shí)候，采用回歸擬合的原則，如果數(shù)據(jù)是遵循某種函數(shù)關(guān)系，我們可以通過(guò)機(jī)器進(jìn)行訓(xùn)練，不斷的迭代達(dá)到最優(yōu)效果。

import pyecharts.options as opts
from pyecharts.charts import Scatter

data = [
[10.0, 8.04],
[8.0, 6.95],
[13.0, 7.58],
[9.0, 8.81],
[11.0, 8.33],
[14.0, 9.96],
[6.0, 7.24],
[4.0, 4.26],
[12.0, 10.84],
[7.0, 4.82],
[5.0, 5.68],
]
data.sort(key=lambda x: x[0])
x_data = [d[0] for d in data]
y_data = [d[1] for d in data]

(
Scatter(init_opts=opts.InitOpts(width="1200px", height="600px"))
.add_xaxis(xaxis_data=x_data)
.add_yaxis(
series_name="",
y_axis=y_data,
symbol_size=20,
label_opts=opts.LabelOpts(is_show=False),
)
.set_series_opts()
.set_global_opts(
xaxis_opts=opts.AxisOpts(
type_="value", splitline_opts=opts.SplitLineOpts(is_show=True)
),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
),
tooltip_opts=opts.TooltipOpts(is_show=False),
)
.render("簡(jiǎn)單散點(diǎn)圖.html")
)

多維數(shù)據(jù)散點(diǎn)圖

我們?cè)谄綍r(shí)的運(yùn)用場(chǎng)景中，發(fā)現(xiàn)散點(diǎn)圖太多呈現(xiàn)的效果圖太密集了，我們只需要知道某一個(gè)區(qū)域它分布的數(shù)量，本來(lái)柱狀圖可以解決，但是這個(gè)散點(diǎn)圖一個(gè)更好，可以反映區(qū)域的分布，主要可以看見(jiàn)它的數(shù)量趨勢(shì)變化，根據(jù)自己的業(yè)務(wù)需求來(lái)使用吧。

from pyecharts import options as opts
from pyecharts.charts import Scatter
from pyecharts.commons.utils import JsCode
from pyecharts.faker import Faker

c = (
Scatter()
.add_xaxis(Faker.choose())
.add_yaxis(
"類別1",
[list(z) for z in zip(Faker.values(), Faker.choose())],
label_opts=opts.LabelOpts(
formatter=JsCode(
"function(params){return params.value[1] +' : '+ params.value[2];}"
)
),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="多維度數(shù)據(jù)"),
tooltip_opts=opts.TooltipOpts(
formatter=JsCode(
"function (params) {return params.name + ' : ' + params.value[2];}"
)
),
visualmap_opts=opts.VisualMapOpts(
type_="color", max_=150, min_=20, dimension=1
),
)
.render("多維數(shù)據(jù)散點(diǎn)圖.html")
)
print([list(z) for z in zip(Faker.values(), Faker.choose())])

散點(diǎn)圖顯示分割線

顯示分割線，其實(shí)和之前的沒(méi)有異樣。

from pyecharts import options as opts
from pyecharts.charts import Scatter
from pyecharts.faker import Faker
c = (
Scatter()
.add_xaxis(Faker.choose())
.add_yaxis("A", Faker.values())
.set_global_opts(
title_opts=opts.TitleOpts(title="標(biāo)題"),
xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
)
.render("分割線.html")
)

散點(diǎn)圖凸出大?。ǘS）

用二維的數(shù)據(jù)來(lái)展示每個(gè)類別的分布狀況，圖表可顯示多個(gè)類別，這樣極大的增強(qiáng)了我們解釋的效果。

from pyecharts import options as opts
from pyecharts.charts import Scatter
from pyecharts.faker import Faker
c = (
Scatter()
.add_xaxis(Faker.choose())
.add_yaxis("1", Faker.values())
.add_yaxis("2", Faker.values())
.set_global_opts(
title_opts=opts.TitleOpts(title="標(biāo)題"),
visualmap_opts=opts.VisualMapOpts(type_="size", max_=150, min_=20),
)
.render("凸出大小散點(diǎn)圖.html")
)

3D散點(diǎn)圖展示

動(dòng)態(tài)漣漪散點(diǎn)圖

之前的散點(diǎn)都是靜態(tài)的，下面我們來(lái)看看動(dòng)態(tài)的散點(diǎn)圖;

from pyecharts import options as opts
from pyecharts.charts import EffectScatter
from pyecharts.faker import Faker
c = (
EffectScatter()
.add_xaxis(Faker.choose())
.add_yaxis("", Faker.values())
.set_global_opts(title_opts=opts.TitleOpts(title="散點(diǎn)圖"))
.render("動(dòng)態(tài)散點(diǎn)圖.html")
)

箭頭標(biāo)志散點(diǎn)圖

from pyecharts import options as opts
from pyecharts.charts import EffectScatter
from pyecharts.faker import Faker
from pyecharts.globals import SymbolType

c = (
EffectScatter()
.add_xaxis(Faker.choose())
.add_yaxis("", Faker.values(), symbol=SymbolType.ARROW)
.set_global_opts(title_opts=opts.TitleOpts(title="標(biāo)題"))
.render("箭頭動(dòng)態(tài)散點(diǎn)圖.html")
)