目录
目录
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 np
import 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
（二）相关性的举例
1.正相关
（1）源代码
import numpy as np
import matplotlib.pyplot as plt
N = 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
1.负相关
（1）源代码
import numpy as np
import matplotlib.pyplot as plt
N = 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
1.不相关
（1）源代码
import numpy as np
import matplotlib.pyplot as plt
N = 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
（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 np
import 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
