wordpress充值卡生成抚顺网站seo

目录

散点图

气泡图

时序图

关系图

---

​​​​​​​

散点图

Scatterplot（散点图）是一种用于展示两个变量之间关系的图表类型。在散点图中，每个观测值（或数据点）都被表示为一个点，其中横轴（X轴）代表一个变量的值，而纵轴（Y轴）代表另一个变量的值。这些点的位置（即它们在图表上的x和y坐标）反映了两个变量之间的关系。

散点图非常适合于初步探索两个变量之间是否存在关系，以及这种关系的强度和方向。通过观察点的分布模式，可以识别出正相关、负相关、无相关或非线性关系。在散点图中，远离大多数数据点的观测值（即异常值或极端值）很容易被识别出来。同时，在统计学中，散点图可以用于支持或反驳关于两个变量之间关系的假设。

散点图需要注意一些问题：

• 当数据点过多时，散点图可能会变得难以解读，因为点可能会重叠在一起。在这种情况下，可以考虑使用其他可视化方法，如密度图或六边形分箱图。
• 散点图只能显示两个变量之间的关系，如果数据集包含多个变量，可能需要使用其他类型的图表（如多维散点图或平行坐标图）来展示更多信息。
• 在解读散点图时，要注意数据点的分布是否均匀，以及是否存在潜在的偏差或异常值。

# 设置图形风格为whitegrid
sns.set(style="whitegrid")
# 加载diamonds数据集
diamonds = sns.load_dataset("diamonds")
# 创建一个8x8的图形
f, ax = plt.subplots(figsize=(8, 8))
# 去除图形的左边和底部的边框
sns.despine(f, left=True, bottom=True)
# x轴为depth，y轴为table，颜色为红色，数据为diamonds，坐标轴为ax，标记为圆形，大小为100，边框宽度为0.5，边框颜色为白色
sns.scatterplot(x="depth", y="table",color='r',data=diamonds, ax=ax, marker="o", s=100, linewidth=0.5, edgecolor="w")

也可以使用plt绘制 

# 生成一些随机数据
np.random.seed(0)
x = np.random.rand(100)
y = np.random.rand(100)
# 设置图表大小
plt.figure(figsize=(10, 6))  
# s是点的大小，c是颜色，alpha是透明度，edgecolors是边缘颜色
plt.scatter(x, y, s=50, c='blue', alpha=0.6, edgecolors='w') 
# 添加标题和标签
plt.title('Scatterplot', fontsize=16)
plt.xlabel('X Axis', fontsize=14)
plt.ylabel('Y Axis', fontsize=14)
# 设置坐标轴范围
plt.xlim(0, 1)
plt.ylim(0, 1)
# 添加网格线
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
# 显示图例
plt.legend(['Data'], loc='upper left', fontsize=12)
# 显示图表
plt.show()

气泡图

气泡图（Bubble Chart）是一种多变量的数据可视化图表，它是散点图的一种变体，也可以看作是散点图和百分比区域图的组合。气泡图通过引入第三个变量来展示三个变量之间的关系，使得数据展示更加丰富和全面。

• 多变量展示：能够同时展示三个或更多维度的数据。
• 直观比较：通过气泡的位置和大小，可以直观地比较不同类别的数据。
• 灵活性强：气泡图可以根据需要调整气泡的形状、颜色和透明度等属性，以增强视觉效果。

# 加载名为"planets"的数据集
planets = sns.load_dataset("planets")
# 创建一个颜色映射
cmap = sns.cubehelix_palette(as_cmap=True)
# 绘制散点图，x轴为"distance"，y轴为"orbital_period"，颜色映射为"year"，大小为"mass"
ax = sns.scatterplot(x="distance", y="orbital_period",hue="year", size="mass",palette=cmap, sizes=(10, 200),data=planets)

# 设置绘图风格为白色
sns.set(style="white")
# 加载mpg数据集
mpg = sns.load_dataset("mpg")
# 绘制散点图，x轴为horsepower，y轴为mpg，颜色根据origin分类，大小根据weight分类
sns.relplot(x="horsepower", y="mpg", hue="origin", size="weight",sizes=(40, 400), alpha=.5, palette="plasma",height=6, data=mpg)

时序图

Lineplot是Seaborn库中用于绘制折线图的函数，它能够帮助用户可视化数据集中不同变量之间的关系，特别是展示随时间变化的数据趋势。Lineplot函数的基本用法是传入x轴和y轴的数据，以及包含这些数据的数据集（DataFrame或类似结构）。通过指定x和y参数，Lineplot能够绘制出表示这两个变量之间关系的折线图。

Lineplot函数提供了多个参数来调整折线图的外观和行为：

• x, y：分别指定折线图中x轴和y轴的数据。
• data：指定包含x和y数据的数据集，通常是pandas的DataFrame。
• hue：可选参数，用于根据某一列数据对折线进行分组着色，以区分不同的数据系列。
• style：可选参数，用于指定折线的风格，如线型、破折号样式等。
• markers：可选参数，设置为True时会在折线图上显示数据点，便于观察具体的数据值。
• ci：控制置信区间的显示，如果不需要显示置信区间，可以设置为None。

在使用Lineplot时，需要确保传入的数据格式正确，且x轴和y轴的数据长度必须相同。如果数据中包含缺失值（NaN），Lineplot会自动跳过这些值进行绘图。Lineplot的绘图结果会受到Seaborn和matplotlib的样式设置影响，因此可以通过调整这些库的样式设置来改变折线图的外观。

# 加载fmri数据集
fmri = sns.load_dataset("fmri")
# 绘制折线图，x轴为timepoint，y轴为signal，根据region进行颜色区分，根据event进行线条样式区分
sns.lineplot(x="timepoint", y="signal",hue="region", palette="plasma",style="event",data=fmri)

# 创建一个随机数生成器，种子为88
rs = np.random.RandomState(88)
# 生成365个随机数，每个随机数有4个值
values = rs.randn(365, 4).cumsum(axis=0)
# 创建一个日期范围，从2016年1月1日开始，共365天，每天一个日期
dates = pd.date_range("1 1 2016", periods=365, freq="D")
# 创建一个DataFrame，包含生成的随机数和日期
data = pd.DataFrame(values, dates, columns=["A", "B", "C", "D"])
# 对DataFrame进行滚动平均，窗口大小为7
data = data.rolling(7).mean()
# data为数据集，palette为颜色调色板，linewidth为线宽
sns.lineplot(data=data, palette="inferno", linewidth=3)

关系图

relplot是Seaborn库中用于绘制关系图的函数，它是一个高级绘图函数，能够灵活地处理多变量关系，并自动生成具有多个子图的图表。

• x, y：分别指定图表的x轴和y轴数据。
• data：包含绘图所需数据的数据集，通常是pandas的DataFrame。
• hue：用于根据某一列数据对数据进行分组，并在图表中用不同的颜色表示。
• size：控制数据点的大小或线条的粗细，根据数据集中的某列进行映射。
• style：控制数据点的样式或线条的样式，如点型、线型等，同样可以根据数据集中的某列进行映射。
• row, col：用于将数据按照指定的列分割成多个子图，分别绘制在行或列上。
• palette：指定hue参数分组的颜色映射方案。
• height：每个子图的高度（单位：英寸）。
• aspect：子图的宽高比，默认为1。
• kind：指定绘图的类型，'scatter'或'line'。

# 加载名为"dots"的数据集
dots = sns.load_dataset("dots")
# 绘制关系图，x轴为"time"，y轴为"firing_rate"，根据"coherence"进行颜色区分，根据"choice"进行大小区分，根据"align"进行列区分
# "size_order"指定了大小顺序，"height"指定了图形的高度，"aspect"指定了图形的纵横比，"facet_kws"指定了子图的关键字参数
# "kind"指定了图形的类型为线图，"legend"指定了图例的位置为全图，"data"指定了数据集为"dots"
sns.relplot(x="time", y="firing_rate",hue="coherence", size="choice", col="align",size_order=["T1", "T2"],palette="viridis",height=5, aspect=.75, facet_kws=dict(sharex=False),kind="line", legend="full", data=dots)

# 加载名为 "tips" 的数据集
tips = sns.load_dataset("tips")
# 绘制关系图，x 轴为 "total_bill"，y 轴为 "tip"，根据 "smoker" 进行颜色区分，根据 "day" 进行列区分
# "size_order" 指定了大小顺序，"height" 指定了图形的高度，"aspect" 指定了图形的纵横比，"facet_kws" 指定了子图的关键字参数
# "kind" 指定了图形的类型为线图，"legend" 指定了图例的位置为全图，"data" 指定了数据集为 "tips"
sns.relplot(x="total_bill", y="tip",hue="smoker", col="day",size_order=["T1", "T2"], palette="inferno",height=5, aspect=.75, facet_kws=dict(sharex=False),kind="line", legend="full", data=tips)