Python繪制散點圖之可視化神器pyecharts
更新時間：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繪制散點圖之可視化神器pyecharts,文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙伴可以參考一下
散點圖
什么是散點圖？
散點圖是指在數理統(tǒng)計回歸分析中，數據點在直角坐標系平面上的分布圖， 散點圖??表示因變量隨自變量而變化的大致趨勢，由此趨勢可以選擇合適的函數進行經驗分布的擬合，進而找到變量之間的函數關系。
散點圖有什么用處？
- 1、數據用圖表來展示，顯然比較直觀，在工作匯報等場合能起到事半功倍的效果，讓聽者更容易接受，理解你所處理的數據。
- 2、散點圖更偏向于研究型圖表，能讓我們發(fā)現變量之間隱藏的關系為我們決策作出重要的引導作用。
- 3、散點圖核心的價值在于發(fā)現變量之間的關系，千萬不要簡單地將這個關系理解為線性回歸關系。變量間的關系有很多，如線性關系、指數關系、對數關系等等，當然，沒有關系也是一種重要的關系。
- 4、散點圖經過回歸分析之后，可以對相關對象進行預測分析，進而做出科學的決策，而不是模棱兩可。比如說：醫(yī)學里的白細胞散點圖可以在醫(yī)學檢測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支持。
散點圖的基本構成要素
散點圖主要的構成元素有：數據源，橫縱坐標軸，變量名，研究的對象。而基本的要素就是點，也就是我們統(tǒng)計的數據，由這些點的分布我們才能觀察出變量之間的關系。
而散點圖一般研究的是兩個變量之間的關系，往往滿足不了我們日常的需求。因此，氣泡圖的誕生就是為散點圖增加變量，提供更加豐富的信息，點的大小或者顏色可以定義為第三個變量，因為，做出來的散點圖類似氣泡，也由此得名為氣泡圖。
散點圖模板系列
簡單散點圖
數據越多散點圖呈現的效果就越明顯。這也就是我們平時在進行建模的時候，采用回歸擬合的原則，如果數據是遵循某種函數關系，我們可以通過機器進行訓練，不斷的迭代達到最優(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("簡單散點圖.html")
)
多維數據散點圖
我們在平時的運用場景中，發(fā)現散點圖太多呈現的效果圖太密集了，我們只需要知道某一個區(qū)域它分布的數量，本來柱狀圖可以解決，但是這個散點圖一個更好，可以反映區(qū)域的分布，主要可以看見它的數量趨勢變化，根據自己的業(yè)務需求來使用吧。
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="多維度數據"),
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("多維數據散點圖.html")
)
print([list(z) for z in zip(Faker.values(), Faker.choose())])
散點圖顯示分割線
顯示分割線，其實和之前的沒有異樣。
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")
)
散點圖凸出大?。ǘS）
用二維的數據來展示每個類別的分布狀況，圖表可顯示多個類別，這樣極大的增強了我們解釋的效果。
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="標題"),
visualmap_opts=opts.VisualMapOpts(type_="size", max_=150, min_=20),
)
.render("凸出大小散點圖.html")
)
3D散點圖展示
動態(tài)漣漪散點圖
之前的散點都是靜態(tài)的，下面我們來看看動態(tài)的散點圖;
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="散點圖"))
.render("動態(tài)散點圖.html")
)
箭頭標志散點圖
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="標題"))
.render("箭頭動態(tài)散點圖.html")
)
到此這篇關于Python繪制散點圖之可視化神器pyecharts的文章就介紹到這了,更多相關Python繪制散點圖內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python實現尋找回文數字過程解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
python人工智能tensorflow構建卷積神經網絡CNN
學習神經網絡已經有一段時間，從普通的BP神經網絡到LSTM長短期記憶網絡都有一定的了解，但是從未系統(tǒng)的把整個神經網絡的結構記錄下來，我相信這些小記錄可以幫助我更加深刻的理解神經網絡2022-05-05
這篇文章主要給大家介紹了關于pytest進階教程之fixture函數的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
這篇文章主要介紹了python私有屬性和方法的用法,實例分析了python私有屬性和方法的原理及具體使用技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-01-01
這篇文章主要介紹了使用PDB模式調試Python程序介紹,本文講解了PDB模式的使用語法,著重講解PDB模式下的常用命令,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了python+Tkinter+多線程的實例，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-05-05
今天小編就為大家分享一篇淺談Python type的使用，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
今天小編就為大家分享一篇Python 實現輸入任意多個數,并計算其平均值的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
python+pytest自動化測試函數測試類測試方法的封裝
這篇文章主要介紹了python+pytest自動化測試函數測試類測試方法的封裝，文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-06-06
這篇文章主要為大家詳細介紹了python連接數據庫的方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-10-10