散点图、散点图和气泡图

本章重点介绍散点图、散点图和气泡图的详细信息。首先，让我们研究散点图。

散点图

散点图用于在水平轴和垂直轴上绘制数据点，以显示一个变量如何影响另一个变量。数据表中的每一行都由一个标记表示，其位置取决于其在X轴和Y轴上设置的列中的值。

graph_objs 模块(go.Scatter)的scatter()方法产生散点轨迹。在这里，模式属性决定了数据点的外观。mode 的默认值是 lines，它显示连接数据点的连续线。如果设置为marker，则仅显示由小实心圆圈表示的数据点。当模式指定为“线+标记”时，圆和线都会显示。

在以下示例中，绘制笛卡尔坐标系中三组随机生成的点的散点轨迹。下面解释了以不同模式属性显示的每个轨迹。

import numpy as np
N = 100
x_vals = np.linspace(0, 1, N)
y1 = np.random.randn(N) + 5
y2 = np.random.randn(N)
y3 = np.random.randn(N) - 5
trace0 = go.Scatter(
   x = x_vals,
   y = y1,
   mode = 'markers',
   name = 'markers'
)
trace1 = go.Scatter(
   x = x_vals,
   y = y2,
   mode = 'lines+markers',
   name = 'line+markers'
)
trace2 = go.Scatter(
   x = x_vals,
   y = y3,
   mode = 'lines',
   name = 'line'
)
data = [trace0, trace1, trace2]
fig = go.Figure(data = data)
iplot(fig)

Jupyter notebook 单元的输出如下所示 –

散点图

WebGL（Web 图形库）是一种 JavaScript API，用于在任何兼容的 Web 浏览器中渲染交互式2D和3D 图形，而无需使用插件。WebGL 与其他 Web 标准完全集成，允许图形处理单元 (GPU) 加速使用图像处理。

Plotly 您可以使用Scattergl()代替 Scatter()来实现 WebGL，以提高速度、改进交互性以及绘制更多数据的能力。该go.scattergl（）函数，它给出了当涉及大量的数据点的更好的性能。

import numpy as np
N = 100000
x = np.random.randn(N)
y = np.random.randn(N)
   trace0 = go.Scattergl(
   x = x, y = y, mode = 'markers'
)
data = [trace0]
layout = go.Layout(title = "scattergl plot ")
fig = go.Figure(data = data, layout = layout)
iplot(fig)

下面提到了输出 –

气泡图

气泡图显示数据的三个维度。每个实体及其关联数据的三个维度被绘制为一个圆盘（气泡），通过圆盘的xy 位置表示其中两个维度，通过其大小表示第三个维度。气泡的大小由第三个数据系列中的值决定。

气泡图是散点图的一种变体，其中数据点被气泡替换。如果您的数据具有如下所示的三个维度，那么创建气泡图将是一个不错的选择。

气泡图是使用go.Scatter()跟踪生成的。上述数据系列中的两个作为 x 和 y 属性给出。第三维由标记显示，其大小代表第三个数据系列。在上述情况下，我们使用产品和销售作为x和y属性，市场份额作为标记大小。

在 Jupyter Notebook 中输入以下代码。

company = ['A','B','C']
products = [13,6,23]
sale = [2354,5423,4251]
share = [23,47,30]
fig = go.Figure(data = [go.Scatter(
   x = products, y = sale,
   text = [
      'company:'+c+' share:'+str(s)+'%' 
      for c in company for s in share if company.index(c)==share.index(s)
   ],
   mode = 'markers',
   marker_size = share, marker_color = ['blue','red','yellow'])
])
iplot(fig)

输出如下所示 –