Python可视化必看，用三种方式学会制作散点图！
作者：潘彼得
本文我们将使用Python的三种绘图包Matplotlib、Seaborn、ECharts为大家展示如何对数据进行可视化以及如何选择和解读图表，如有解读不恰当的地方还请各位多多指教。
散点图概述
用两组变量的数据构成多个坐标点，观察坐标点的分布，从而判断两变量之间是否存在某种关联或总结坐标点的分布模式。
特征与适用
散点图常用于显示和比较跨类别的聚合数据，且数据量越多，散点图的效果也会越明显。从散点图可以解读出的信息有：变量间是否存在数量关联趋势、存在线性还是曲线的关联趋势、判断数据中是否有离群点等。
数据简介
本次使用的数据集是使用了seaborn中自带的线上数据，是一组餐厅经营的数据，共7个字段： - 连续型变量有2个：total_bill(消费金额)，tip(小费金额)； - 离散型变量有5个：sex(性别)，smoker(是否吸烟)，day(就餐日期：周一~周日)，time(就餐时间：Lunch/Dinner),size(就餐人数)。
#导入需要用到的绘图库
import matplotlib.pyplot as plt
import seaborn as sns
import pyecharts as pye
#导入并查看线上数据集tips
tips=sns.load_dataset("tips")
tips.head()
数据思考
获取到数据之后我们可以从业务角度出发，设想几个问题，带着问题去探索数据
例如：
1影响小费金额的大小因素有哪些，分别是什么关系？
2通过数据探索，我们还可以得知哪些信息？
3对餐厅有没有经营建议？
绘图
Matplotlib.pyplot
matplotlib是Python的一个绘图库，其中pyplot封装了很多类似 MATLAB 中的绘图相关函数，是Python比较常用绘图方式，绘图可定制性较强，图片也会根据参数的调整而产生变化。pyplot主要用于交互式绘图和简单的程序化绘图。
#绘制散点图,查看小费金额与客户消费金额的关系
plt.scatter(tips.total_bill,tips.tip)
#保存图片，可直接写入存储路径
plt.savefig('plt-散点图1.jpg')
通过设置函数参数，把它变成我们想要的样式：
#设置坐标点参数
plt.scatter(tips.total_bill,tips.tip,
marker = '*', #数据点的形状
label = 'money', #数据标签名称
s = 50, #数据点大小
c = 'y', #数据点填充颜色
edgecolors='m') #数据点边缘颜色
#设置轴参数
plt.xlabel("total_bill") #x轴标签名称
plt.ylabel("tip") #y轴标签名称
#设置数据标签参数
plt.legend(loc='upper left')
plt.show()
通过散点图可以看到，小费和消费金额呈正比，即消费金额越大，小费金额越高。
matplotlib绘图相对基础，根据我们的需求想法设置不同的参数就可以了，有兴趣的可以去官网探索https://matplotlib.org/。
Seaborn
Seaborn是基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形。Seaborn库旨在将可视化作为探索和理解数据的核心部分，有助于帮人们更近距离了解所研究的数据集。无论是在kaggle官网各项算法比赛中，还是互联网公司的实际业务数据挖掘场景中，都有它的身影。
图一
#查看小费与消费金额之间的关系，并用吃饭时间表示散点的颜色
sns.set() #使用set单独设置画图样式和风格，如未填写任何参数即使用默认样式
sns.scatterplot(x="total_bill", y="tip", #设置数据集
hue="time", #用标记点颜色表示的变量
data=tips)
上图可以看到：1.小费和消费金额呈正比，即消费金额越大，小费金额越高；2.该店晚上客流量高于中午的客流量;3. 小费金额区间大约为[1,6],消费金额大约为区间[8,40]
图二
#通过增加参数增加图片显示的信息维度，用散点颜色表示是否抽烟，散点形状表示性别
sns.scatterplot(x='total_bill',y='tip',data=tips,hue='smoker',
style = 'sex', #用标记点形状表示的变量
palette='YlGnBu') #修改图标色板
上图可以看到：1.该店吸烟人士大多为男士；2.小费金额在5以上的大都是不吸烟男士贡献的，但小费金额的最大值是一位吸烟的男士，我们可以把它当作"离群点"；3.男士给的小费金额普遍高于女士；
图三
#继续增加维度
sns.relplot(x="total_bill", y="tip", col="time",hue="smoker", style="sex",
size="size", #用点大小表示的变量
palette="YlGnBu", #变换色板
markers=["D", "o"], #标记点的样式，和style对应，style变量有几种分类，需设置相应的点形状
sizes=(10, 125), #标记点大小的区间范围
edgecolor=".2", #标记点边缘线颜色
linewidth=.5, #边缘线的宽度
data=tips);
上图可以看到：1.消费金额会随着就餐人数增多而增加，且小费也会随之增加，且该店就餐人数2人同行居多；2.大部分的吸烟人士处于消费金额较底的区间；
图四
sns.relplot(x="total_bill", y="tip", col="day",row = 'time',
hue="smoker", style="sex", size="size",
palette="YlGnBu", markers=["D", "o"], sizes=(10, 125),
edgecolor=".2", linewidth=.9,
data=tips);
上图展示了7个维度的信息，绿色圆圈代表吸烟女性，绿色菱形代表吸烟男性，蓝色圆圈代表不吸烟女性，蓝色菱形代表不吸烟男性，可以看出：1.tips数据集时间为周四~周日该店的就餐情况，且客流量主要集中在周四中午和周末晚上；2.此家餐厅女性就餐相对较少；
Echarts
ECharts，一个使用 JavaScript 实现的开源可视化库，可以流畅的运行在 PC 和移动设备上，兼容当前绝大部分浏览器（IE8/9/10/11，Chrome，Firefox，Safari等），底层依赖矢量图形库 ZRender，提供直观，交互丰富，可高度个性化定制的数据可视化图表。
在我看来ECharts最大的特点就是可以让图片动起来，在展示和表现力上更胜一筹。
from pyecharts import Scatter
sca = Scatter("散点图",width = 600,height = 300) #设置画布参数
sca.add("消费与小费金额情况", #设置图标名称
tips.total_bill,tips.tip, #数据集
xaxis_name="消费金额",yaxis_name="小费", #x轴，y轴坐标名称
yaxis_name_gap=35, #调整x轴坐标名称
mark_line=["average"], #标记统计值：均值
mark_point=["max", "min"], #标记数据最大最小值
is_label_show=True) #是否显示每个坐标点数据
sca
from pyecharts import EffectScatter
es = EffectScatter("动态散点图")
es.add("effetScatter",tips.total_bill,tips.tip)
es
es.render('effectScatter.html') #将动态图保存为html文件
通过对数据的探索，我们可以对此家餐厅提出以下经营建议：
该店就餐人数2人居多，可适当增加两人餐桌；
该店就餐女性较少，可考虑做一些活动或适合女性的餐饮来吸引女性；
该店午餐客流量较少，如果想增加午餐时间客流量，可以进一步探索数据对症下药。
如果我的分享对你有帮助，请关注我们，以后会有更多精彩的内容呈现。