<think>我们刚刚讨论了如何选择特定字段进行相关性分析，现在用户询问在完成相关性分析后如何绘制散点图。根据引用内容，散点图是展示两个变量之间关系的有效工具，而矩阵散点图则可以同时展示多个变量间的关系。 用户需求：在指定特定字段进行相关性分析后，绘制散点图来可视化这些字段间的关系。 解决方案： 1. 选择特定字段：首先从数据集中选取需要分析的字段子集。 2. 绘制散点图：可以使用matplotlib、seaborn或pyecharts等库绘制散点图。 - 对于两个变量的关系，使用简单散点图。 - 对于多个变量，使用散点图矩阵（pair plot）或矩阵散点图。 根据引用[3]，矩阵散点图可以同时展示多个变量间的两两关系，这在多元分析中非常有用。 具体步骤： 步骤1：导入必要的库 步骤2：选择特定字段 步骤3：绘制散点图（简单散点图或散点图矩阵） 我们将分别展示两种方法： 方法1：使用matplotlib绘制两个特定字段的散点图 方法2：使用seaborn绘制多个字段的散点图矩阵 方法3：使用pyecharts绘制交互式散点图（根据引用[1]） 注意：在绘制散点图之前，通常已经完成了相关性分析，所以我们可以将相关系数标注在图上或者单独展示。 下面给出示例代码： </think> ### 在Python中绘制特定字段相关性分析的散点图 在完成特定字段的相关性分析后，散点图是直观展示变量间关系的有效工具。以下是三种绘制方法： #### 方法1：使用Matplotlib绘制基础散点图 ```python import pandas as pd import matplotlib.pyplot as plt # 选择目标字段（销量与广告费） data_subset = data[['销量', '广告费']] # 创建散点图 plt.figure(figsize=(10, 6)) plt.scatter( x=data_subset['广告费'], y=data_subset['销量'], s=80, # 点的大小 alpha=0.7, # 透明度 c='royalblue', # 颜色 edgecolor='w' # 边缘颜色 ) # 添加回归线展示趋势 import numpy as np z = np.polyfit(data_subset['广告费'], data_subset['销量'], 1) p = np.poly1d(z) plt.plot(data_subset['广告费'], p(data_subset['广告费']), "r--", linewidth=2) # 添加标签和标题 plt.title('销量与广告费相关性分析', fontsize=14) plt.xlabel('广告费(万元)', fontsize=12) plt.ylabel('销量(件)', fontsize=12) plt.grid(alpha=0.3) # 半透明网格 # 显示相关系数 corr_value = data_subset.corr().iloc[0,1] plt.text(0.05, 0.95, f'相关系数 r = {corr_value:.2f}', transform=plt.gca().transAxes, fontsize=12, bbox=dict(facecolor='white', alpha=0.8)) plt.show() ``` #### 方法2：使用Seaborn绘制高级散点图 ```python import seaborn as sns # 创建散点图矩阵（多个字段） target_fields = ['销量', '广告费', '价格'] sns.pairplot( data[target_fields], kind='reg', # 添加回归线 diag_kind='kde', # 对角线显示核密度估计 plot_kws={'scatter_kws': {'alpha':0.6, 's':40}, 'line_kws': {'color':'red'}} ) # 添加总标题 plt.suptitle('多变量相关性分析矩阵', y=1.02, fontsize=16) plt.tight_layout() plt.show() # 单个散点图（带分布） g = sns.jointplot( x='广告费', y='销量', data=data, kind='reg', # 可选 'reg'（回归）, 'hex'（六边形）, 'kde'（密度） height=7, ratio=4 ) g.fig.suptitle('广告费与销量联合分布', y=1.05) g.ax_joint.set_xlabel('广告费(万元)', fontsize=12) g.ax_joint.set_ylabel('销量(件)', fontsize=12) plt.tight_layout() ``` #### 方法3：使用Pyecharts绘制交互式散点图 ```python from pyecharts.charts import Scatter from pyecharts import options as opts # 准备数据 x_data = data['广告费'].tolist() y_data = data['销量'].tolist() # 创建散点图 scatter = ( Scatter() .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="销量", y_axis=y_data, symbol_size=15, label_opts=opts.LabelOpts(is_show=False), ) .set_global_opts( title_opts=opts.TitleOpts(title="广告费与销量相关性"), tooltip_opts=opts.TooltipOpts( formatter="{a}: <br/>广告费: {c} 万元 <br/>销量: {b} 件" ), xaxis_opts=opts.AxisOpts( name="广告费(万元)", name_location="center", name_gap=30 ), yaxis_opts=opts.AxisOpts( name="销量(件)", name_location="center", name_gap=40 ), # 添加数据缩放功能 datazoom_opts=[opts.DataZoomOpts()], ) ) # 添加回归线 from sklearn.linear_model import LinearRegression model = LinearRegression().fit(data[['广告费']], data['销量']) pred = model.predict(data[['广告费']]) scatter.add_yaxis( series_name="回归线", y_axis=pred.tolist(), symbol_size=0, linestyle_opts=opts.LineStyleOpts(width=3, type_="dashed"), label_opts=opts.LabelOpts(is_show=False), ) # 显示相关系数 corr_value = data[['广告费','销量']].corr().iloc[0,1] scatter.set_series_opts( markpoint_opts=opts.MarkPointOpts( data=[opts.MarkPointItem(type_="max", name="最大值"), opts.MarkPointItem(type_="min", name="最小值")], label_opts=opts.LabelOpts(position="inside") ) ).set_global_opts( legend_opts=opts.LegendOpts(pos_top="5%"), title_opts=opts.TitleOpts( title=f"广告费与销量相关性 (r={corr_value:.2f})", pos_left="center" ) ) scatter.render("scatter_correlation.html") # 生成交互式HTML文件 ``` #### 专业技巧： 1. **多变量分析**：使用散点图矩阵同时展示多个变量关系[^3] ```python # Seaborn的pairplot可快速创建矩阵 sns.pairplot(data[['销量','广告费','价格']], diag_kind='kde') ``` 2. **增强可视化**： - 使用颜色表示第三维度（如`c=data['价格']`） - 点大小表示第四维度（如`s=data['库存']/10`） - 添加边际分布图（直方图或密度图） 3. **交互功能**： - 数据点悬停显示详细信息 - 缩放和平移功能（Pyecharts默认支持） - 动态筛选器（如Bokeh或Plotly实现） 4. **统计分析增强**： ```python # 在图中添加统计信息 from scipy import stats slope, intercept, r_value, p_value, std_err = stats.linregress(x, y) plt.annotate(f"y = {slope:.2f}x + {intercept:.2f}\nR² = {r_value**2:.2f}", xy=(0.1,0.9), xycoords='axes fraction') ``` #### 选择建议： - **探索性分析**：使用Seaborn的`pairplot`快速查看所有变量关系 - **报告展示**：使用Pyecharts创建交互式图表嵌入网页 - **学术出版**：使用Matplotlib制作高分辨率静态图 - **大数据集**：使用`hexbin`替代散点图避免重叠 ```python plt.hexbin(data['广告费'], data['销量'], gridsize=30, cmap='Blues') plt.colorbar(label='数据点密度') ``` [^1]: 散点图是展示变量间关系的有效工具 [^2]: 散点图可用于识别数据趋势和异常值 [^3]: 矩阵散点图可同时观察多个变量间关系