plt.scatter() 引數 ​​​​​​

#plt.scatter() 散點圖 #plt.scatter(x,y,s=20,c = None,marker = 'o',cmap = none,norm = none,vmin = none,vmax = none,alpha = none,linewidths = none,verts = none,edgecolors = none,hold = none,**kwargs)

主要引數：

    s:散點的大小

    c:散點的顏色，'r '/'g'/'y'/'w'/'k'.......

    marker:散點形狀,  '.'(點)/'o'（圓）/'v'（倒三角形）/'*'（星星）/'s'（正方形）.........

    cmap：colormap，顏色版：'accent','blues','bugn','oranges'....

    vmin，vmax:亮度設定，標亮

    alpha ：顏色透明程度， 實數，0-1之間

    linewidths:線的寬度

    linestyle: 線的風格，'--'（虛線）/ '-' (直線) / '-.'(間隔虛線)/ ': '(全為點).......

例項：

結果展示：

從圖中看出，由於x,y都是服從隨機正態分佈的數， 因此資料是聚集的。該類散點圖可以用來展示三維資料（x座標，y座標，點的大小）

pd.scatter_matrix()引數

pd.scatter_matrix(frame,alpha = 0.5,figsize =(10,8) ,grid = False,diagonal = 'hist',marker = 'o',range_padding = 0.01,**kwds)

引數解釋：

        frame：資料需要舉陣形式

        diagonal： { 'hist','kde'}必須在這兩個中選一個， 'kde' 就是畫密度圖且核為kde,若diagonal='hist',則為直方圖

        range_padding： 影象在x軸，y軸原點附近留白，值越大，留白越多。

例項：

結果展示：

根據矩陣散點圖形狀，看變數間的相互關係。