如何使用Python pyecharts绘制散点图

89542767 发布于2022-11-07 16:55 / 611人阅读

　　小编写这篇文章的主要目的，主要是给大家去做一个解答，解答的内容主要是关于Python pyecharts的一些案例，包括如何使用它去进行绘制一个相关的散点图，怎么能够快速的去进行绘制。就具体的内容，下面就给大家详细解答下。

　　什么是散点图？

　　散点图是指在数理统计回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，由此趋势可以选择合适的函数进行经验分布的拟合，进而找到变量之间的函数关系。

　　散点图有什么用处？

　　1、数据用图表来展示，显然比较直观，在工作汇报等场合能起到事半功倍的效果，让听者更容易接受，理解你所处理的数据。

　　2、散点图更偏向于研究型图表，能让我们发现变量之间隐藏的关系为我们决策作出重要的引导作用。

　　3、散点图核心的价值在于发现变量之间的关系，千万不要简单地将这个关系理解为线性回归关系。变量间的关系有很多，如线性关系、指数关系、对数关系等等，当然，没有关系也是一种重要的关系。

　　4、散点图经过回归分析之后，可以对相关对象进行预测分析，进而做出科学的决策，而不是模棱两可。比如说：医学里的白细胞散点图可以在医学检测方面为我们健康提供精确的分析，为医生后续的判断做出重要的技术支持。

　　散点图的基本构成要素

　　散点图主要的构成元素有：数据源，横纵坐标轴，变量名，研究的对象。而基本的要素就是点，也就是我们统计的数据，由这些点的分布我们才能观察出变量之间的关系。

　　而散点图一般研究的是两个变量之间的关系，往往满足不了我们日常的需求。因此，气泡图的诞生就是为散点图增加变量，提供更加丰富的信息，点的大小或者颜色可以定义为第三个变量，因为，做出来的散点图类似气泡，也由此得名为气泡图。

　　散点图模板系列

　　简单散点图

　　数据越多散点图呈现的效果就越明显。这也就是我们平时在进行建模的时候，采用回归拟合的原则，如果数据是遵循某种函数关系，我们可以通过机器进行训练，不断的迭代达到最优效果。

　　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("简单散点图.html")
　　)

　　多维数据散点图

　　我们在平时的运用场景中，发现散点图太多呈现的效果图太密集了，我们只需要知道某一个区域它分布的数量，本来柱状图可以解决，但是这个散点图一个更好，可以反映区域的分布，主要可以看见它的数量趋势变化，根据自己的业务需求来使用吧。

　　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(
　　"类别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="多维度数据"),
　　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("多维数据散点图.html")
　　)
　　print([list(z)for z in zip(Faker.values(),Faker.choose())])

　　散点图显示分割线

　　显示分割线，其实和之前的没有异样。

　　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="标题"),
　　xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
　　yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
　　)
　　.render("分割线.html")
　　)

　　散点图凸出大小（二维）

　　用二维的数据来展示每个类别的分布状况，图表可显示多个类别，这样极大的增强了我们解释的效果。

　　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="标题"),
　　visualmap_opts=opts.VisualMapOpts(type_="size",max_=150,min_=20),
　　)
　　.render("凸出大小散点图.html")
　　)

　　3D散点图展示

　　动态涟漪散点图

　　之前的散点都是静态的，下面我们来看看动态的散点图;

　　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="散点图"))
　　.render("动态散点图.html")
　　)

　　箭头标志散点图

　　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="标题"))
　　.render("箭头动态散点图.html")
　　)

　　综上所述，这篇文章就给大家介绍到这里了，希望可以给大家带来更多帮助。

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/128273.html

如何使用Python pyecharts绘制漏斗？请仔细阅读下文

　　小编写这篇文章的主要目的，主要是来给大家去做出一个相关性的介绍，介绍的内容主要还是涉及到Python pyecharts，主要是利用Python pyecharts去绘制漏斗，那么，具体要怎么绘制呢？下面给大家详细解答下。　　漏斗图　　漏斗图是由Light等在1984年提出，一般以单个研究的效应量为横坐标，样本含量为纵坐标做的散点图。效应量可以为RR、OR和死亡比或者其对数值等。理论上讲，被纳...

89542767 2022-11-09 16:07 评论0 收藏0
Python学习笔记：数据可视化(一)

摘要：当数据发生变化时，这种演变过程随之发生。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 showImg(https://segmentfault.com/img/bVbnkP1?w=751&h=558); python相关基础概念数据:离散的，客观事实的数字表示信息：处理后的数据，为实际问题提供答案　　- 为数据提供一种关系或一个关联后，数据就成了信...

Crazy_Coder 2019-07-31 11:07 评论0 收藏0
如何使用Python matplotlib绘制散点图

　　今天给大家分享一个经典案例，那就是在Python matplotlib，如何完整的绘制成功一个散点图，其实，如果想要绘制的话，还是比较麻烦的。但是如果我们使用Python matplotlib的话，绘制的就会比较好，怎么绘制呢？下面就给大家详细的解答下。　　什么是散点图？　　所谓的散点图，指的是在相关的数据分析当中，数据会依次分布在直角坐标系当中，散点图是变量跟着自变量去进行变动，据此可以选择...

89542767 2022-10-10 15:04 评论0 收藏0
Python数据分析：折线图和散点图的绘制

摘要：绘制折线图和散点图要用到下的，因此我们需要先引入，因为要用到数组实现，还要引入。如果让折线图和散点图叠加还可以突出每个点。 1.绘制折线图和散点图要用到matplotlib下的pylab，因此我们需要先引入，因为要用到数组实现，还要引入numpy。然后确定x轴和y轴的数据，最后将其呈现出来。 import matplotlib.pylab as pyl import numpy as ...

jifei 2019-07-30 18:45 评论0 收藏0
☀️苏州程序大白一文从基础手把手教你Python数据可视化大佬☀️《❤️记得收藏❤️》

☀️苏州程序大白一文从基础手把手教你Python数据可视化大佬☀️《❤️记得收藏❤️》目录 ?️‍?开讲啦！！！！?️‍?苏州程序大白?️‍??博主介绍前言数据关系可视化散点图 Scatter plots折线图强调连续性 Emphasizing continuity with line plots同时显示多了图表数据种类的可视化 Plotting with categorical da...

Drinkey 2021-10-09 09:44 评论0 收藏0