散点图

场景 Winform中设置ZedGraph的曲线为散点图： https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/102465399 在上面设置单条曲线为散点图后的思路，继续扩展设置曲线为折线、点折图、散点图。 效果 注： 博客主页： https://blog.csdn.net/badao_liumang_qizhi 关注公众号 霸道的程序猿 获取编程相关电子书、教程推送与免费下载。 实现 读取配置文件内容获取设置的曲线样式后 LineItem myCurve = myPane.AddCurve(yList[i].Title, DataChartHelper.SetCurveText(interval, xAttribute.TitleKey, yList[i].TitleKey), System.Drawing.ColorTranslator.FromHtml(yList[i].Color), SymbolType.None); 根据配置文件设置曲线类型 myCurve = setCurveType(myCurve, yList[i].Type, yList[i].Color); 然后调用设置曲线样式的方法，在方法里 private static LineItem setCurveType(LineItem

场景 Winform中设置ZedGraph的曲线符号Symbol以及对应关系： https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/102464070 要实现散点图需要参照上面设置Symbol的思路。 效果 注： 博客主页： https://blog.csdn.net/badao_liumang_qizhi 关注公众号 霸道的程序猿 获取编程相关电子书、教程推送与免费下载。 实现 思路，将曲线的Symbol设置为圆形，并设置其size大小，然后使用FIll填充颜色，最后将曲线的line隐藏。 生成曲线 LineItem myCurve = myPane.AddCurve("曲线1", list1, Color.Red, SymbolType.Circle); 设置散点图 myCurve.Symbol.Type = SymbolType.Circle; myCurve.Symbol.Fill = new Fill(Color.Red); myCurve.Symbol.Size = 3; myCurve.Line.IsVisible = false; 来源： https://www.cnblogs.com/badaoliumangqizhi/p/11642829.html

为了可视化一些数据分布，需要以散点图的形式呈现 引入绘图工具 1 import matplotlib.pyplot as plt 2 from matplotlib.font_manager import FontProperties 单一数据的散点图 1 def DrawScatter(VolumeListY, pic_name): 2 # 绘制两组数据的散点图 3 plt.figure(figsize=(15, 5), dpi=300) 4 ax = plt.subplot(111) 5 # 导入中文字体，及字体大小 6 zhfont = FontProperties(fname='C:/Windows/Fonts/simsun.ttc', size=20) 7 ax.scatter(range(1, len(VolumeListY) + 1), VolumeListY, marker='o', s=1, facecolors='none', edgecolors='b') 8 plt.xlabel(u'x坐标', fontproperties=zhfont) 9 plt.ylabel(u'y坐标', fontproperties=zhfont) 10 plt.title(u'中文标题', fontproperties=zhfont) 11 # 设定 坐标轴的取值范围 12 #

柱状图bar的使用 matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3) left: x轴的位置序列，一般采用range函数产生一个序列，但是有时候可以是一个字符串 height: y轴的数值序列，也就是柱形图的高度，一般就是我们需要显示的数据 alpha: 透明度，值越小越透明 width: 为柱形图的宽度，一般是0.8就行 color或facecolor: 柱形图填充的颜色 edgecolor: 图形边缘颜色 label: 解释每个图像代表的含义，这个参数是为legend()函数做铺垫的，表示该次bar的标签。 linewidth or linewidths or lw: 边缘or线的宽 散点图scatter的使用 plt.scatter(x, y, s=20, c=None, marker=‘o’, cmap=None, norm=None, alpha=None, linewidths=None, edgecolors=None x: 指定散点图的x轴数据 y: 指定散点图的y轴数据 s: 指定散点图点的大小，默认为20，通过新传入的变量，实现气泡图的绘制 c: 指定散点图点的颜色，默认为蓝色 marker: 指定散点图点的形状，默认为圆形 cmap

绘制散点图和气泡图 来源： https://www.cnblogs.com/wisdom-Y/p/11568079.html

散点图 散点图显示两组数据的值，如图1-1所示。 每个点的坐标位置由变量的值决定，并由一组不连接的点完成，用于观察两种变量的相关性。 例如，身高—体重、温度—维度。 Python资源共享群：626017123 图1-1 散点图示例 使用Matplotlib的scatter()函数绘制散点图，其中x和y是相同长度的数组序列。 scatter()函数的一般用法为： 主要参数说明如下： x,y： 数组。 s： 散点图中点的大小，可选。 c： 散点图中点的颜色，可选。 marker： 散点图的形状，可选。 alpha： 表示透明度，在 0~1 取值，可选。 linewidths： 表示线条粗细，可选。 示例： 绘制身高—体重的散点图 运行脚本输出如图1-2所示的图形。 图1-2 基本的散点图 散点图主要演示两个变量的相关性： 正相关、负相关、不相关。 示例： 显示y=2x+1的图形 Matplotlib中最基础的模块是Pyplot, 下面从最简单的线图开始讲解。 例如，有一组数据，还有一个拟合模型，通过编写代码来实现数据与模型结果的可视化。 假设一个线性函数具有形式y=ax+b, 自变量是x，因变量是y，y轴截距为b，斜率为a。 下面用简单的数据来描述线性方程y=2x+1，代码如下： 运行脚本输出如图2-2所示的图形。 图2-2 基本直线图 在图2-2中，使用线性方程y=2x

应用统计学 对类别数据要分类处理： Bar chart 复式条形图便于对比： Pareto chart：对类别变量依据频数高低排列： Pie chart ：饼图用于一个样本，可以区分类别数据 doughnut chart：环形图用于多个样本，可以区别类别数据 顺序数据：通过计算cumulative percentages向上向下累计，这两者可有不同的解释 线图可以多类方便的放在一张图上，便于比较 对数值型数据要分组处理： 单变量分组：该变量必须是离散值且数量少 组距分组： 等距分组 eg ： 10-20 ； 20-30 ； 30-40 异距分组 eg ： 10-70 ； 70-80 ； 80-90 ； 90-140 ，异距分组容易引起理解偏差，可以用频数密度来表达，避免理解偏差。 得到样本数 n ，通过以下公式计算得到组数 K ，根据组数 K 由 { 组距＝ ( 最大值 - 最小值)÷ 组数 } 得到组距，最后绘制直方图，由直方图可看到点连成线之后的数据对称性。 由直方图得到的常见分布如下： 图例： 黄色：众数 红色：中位数 绿色：平均数 直方图Histogram： 1. 样本量大用直方图可以反映出分布； 2. 样本量小（小于 75-100 ）会出现不稳定的情况 可以采用分不同组数目来看分布是不是一致来判断自己选择组数是否合适 当样本数为无穷大时，直方图上折线图变成 PDF （

先放一下画图的成果！ 这个图与平时最常见的散点图有几点区别，如下： 坐标轴不同 没有三条外侧框线 散点下方有虚线引导 import matplotlib.pyplot as plt # 这里给出一些数据 a = [-0.001777, -0.002754, 0.007887, 0.007593, 0.001802, -0.004565, 0.006138, 0.001341, 0.000042, -.000303, -0.006461] # 画布 f = plt.figure() ax = f.add_subplot(1, 1, 1) # 画散点图，颜色参数c可以选择其他 ax.scatter(range(-5, 6), a, c='cornflowerblue') plt.xlim(-6, 6) # 设置x坐标的上下限 plt.xticks(range(-5, 6)) # 设置x轴标签 plt.ylim(-0.01, 0.01) plt.hlines(0, -6, 6) # 变坐标轴 ax.spines['bottom'].set_position(('data', 0)) # 设置横坐标轴的位置 ax.spines['left'].set_position(('data', -6)) # 设置纵坐标轴的位置 # 隐藏框线 ax.spines['top'].set_visible

1 数据质量分析 数据质量分析是数据预处理的前提，也是数据挖掘分析结论有效性和准确性的基础。其主要任务是检查原始数据中是否存在脏数据： （1）缺失值 （2）异常值（outliers） （3）不一致的值 （4）重复数据及含有特殊符号的数据 1.1 缺失值分析 1.2 异常值分析 异常值是指样本中数值明显偏离其余观测值的个别值，也称为离群点。 （1）简单统计量分析 先对变量做描述性统计，检查数据是否合理。常用的统计量是最大、最小值。 （2）3σ 原则 （3）箱型图分析 1.3 一致性分析 数据不一致是指数据中存在矛盾、不相容。 2 数据特征分析 2.1 分布分析 定量数据：频率分布表、频路分布直方图、茎叶图 定性分类数据：饼图、条形图 定量数据的分布分析 选择“组数”和“组宽” （1）求极差 （2）确定组距与组数 （3）确定分点 （4）列出频率分布表 （5）绘制频率分布直方图 主要原则： （1）各组间互斥 （2）各组必须包含所有数据 （3）各组组宽相等 定性数据分布分析 对于定性变量，常根据变量的分类类型进行分组，可以采用饼图和条形图描述定性变量的分布。 2.2 对比分析 对比分析是指比较两个相互联系的指标，从数量上展示、说明研究对象规模、水平、速度，以及各种关系是否协调，适用于指标间的横纵向比较、时间序列比较分析。对比分析主要形式有： （1）绝对数值比较：通过绝对数对比，寻找差异；

2.1.身高和体重实例 import matplotlib . pyplot as plt height = [ 161 , 162 , 163 , 164 , 165 ] weight = [ 50 , 60 , 70 , 80 , 90 ] plt . scatter ( height , weight ) plt . show ( ) 运行生成散点图 In [ 48 ] : % run sandian . py 2.2.股票涨幅实例 #股票涨幅 import numpy as np import matplotlib . pyplot as plt #收盘和开盘的数据 open , close = np . loadtxt ( '01.csv' , delimiter = ',' , skiprows = 1 , usecols = ( 1 , 4 ) , unpack = True ) #收盘和开盘的涨幅度 change = close - open #比较今天和昨天涨幅的差异，画散点图分析之间的相关性 yesterday = change [ : - 1 ] today = change [ 1 : ] plt . scatter ( yesterday , today ) plt . show ( ) 散点图，发现今天跟昨天的涨幅度并没有相关性 2.3.参数介绍