相关类相关的可视化图像总结

目录

一、散点图

二、气泡图

三、相关图

四、热力图

五、二维密度图

六、多模态二维密度图

七、雷达图

八、桑基图

九、总结

一、散点图

特点

        通过点的位置展示两个连续变量之间的关系，可直观判断线性相关、非线性相关或无相关关系，点的分布密度和趋势反映相关性强弱。

应用场景

        探索性数据分析、验证变量间关系假设，如身高与体重的关系、温度与销售额的关联。

实现过程

import numpy as np
import matplotlib.pyplot as plt
# 设置支持中文的字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC", "sans-serif"]
# 解决负号显示问题
plt.rcParams["axes.unicode_minus"] = False
# 生成示例数据
np.random.seed(42)
x = np.random.randn(100)
y = 2 * x + np.random.randn(100) * 0.5
# 绘制散点图
plt.figure(figsize=(8, 6))
plt.scatter(x, y, color='blue', alpha=0.7, s=30)
plt.title('散点图：展示两变量线性关系')
plt.xlabel('变量X')
plt.ylabel('变量Y')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()
# 计算相关系数
correlation = np.corrcoef(x, y)[0, 1]
print(f'皮尔逊相关系数: {correlation:.4f}')

结果

二、气泡图

特点

        在散点图基础上增加第三个变量（气泡大小），可展示三维数据关系，气泡颜色还可表示第四维变量。

应用场景

        市场分析（如销售额、利润、市场份额）、城市数据可视化（人口、GDP、面积）。

实现过程

import plotly.express as px
import pandas as pd
import numpy as np
# 设置随机种子
np.random.seed(42)
# 生成模拟数据
n_countries = 20
countries = ['中国', '美国', '日本', '德国', '法国', '英国', '意大利', '加拿大','俄罗斯', '巴西', '印度', '澳大利亚', '西班牙', '墨西哥', '韩国','印度尼西亚', '土耳其', '沙特阿拉伯', '瑞士', '荷兰'
]
# 生成随机数据
gdp_per_capita = np.random.randint(1000, 80000, n_countries)
population = np.random.randint(5e6, 1.5e9, n_countries)
life_expectancy = np.random.uniform(60, 85, n_countries)
region = np.random.choice(['亚洲', '欧洲', '北美洲', '南美洲', '非洲', '大洋洲'], n_countries)
# 创建DataFrame
df = pd.DataFrame({'国家': countries,'人均GDP': gdp_per_capita,'人口': population,'预期寿命': life_expectancy,'地区': region
})
# 创建气泡图
fig = px.scatter(df, x="人均GDP", y="预期寿命", size="人口", color="地区",hover_name="国家", log_x=True, size_max=60,title="世界各国发展指标气泡图",labels={"人均GDP": "人均GDP (美元)","预期寿命": "预期寿命 (岁)","地区": "地理区域"})
# 更新布局
fig.update_layout(font=dict(family="SimHei", size=12),legend_title="地理区域",height=600,width=1000
)
# 添加趋势线
fig.add_traces(px.scatter(df, x="人均GDP", y="预期寿命", trendline="ols").data[1]
)
# 显示图表
fig.show()
# 导出为HTML文件
fig.write_html("bubble_chart.html")

结果

三、相关图

特点

        展示多个变量间的相关系数矩阵，通常以数值或图形（如颜色、形状）表示相关强度和方向。

应用场景

        多变量数据分析、特征选择（如机器学习前筛选相关变量）。

实现过程

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False
# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({'var1': np.random.randn(100),'var2': 0.8 * np.random.randn(100) + 0.2 * np.random.randn(100),'var3': -0.5 * np.random.randn(100) + 0.5 * np.random.randn(100),'var4': np.random.randn(100)
})
# 计算相关系数矩阵
corr_matrix = data.corr()
# 绘制相关图
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.2f',linewidths=1, cbar_kws={'label': '相关系数'})
plt.title('相关系数矩阵图')
plt.show()

结果

四、热力图

特点

        用颜色矩阵展示数据值大小，可直观呈现二维数据的分布模式和热点区域。

应用场景

        基因表达数据、时间序列数据（如年度销售热力图）、矩阵数据可视化。

实现过程

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.cluster import hierarchy
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False
# 生成示例数据：月度销售数据
np.random.seed(42)
n_products = 12
n_months = 12
# 创建产品名称和月份名称
products = [f'产品{i+1}' for i in range(n_products)]
months = [f'{i+1}月' for i in range(n_months)]
# 生成基础销售数据（有季节性和产品类别效应）
base_sales = np.random.rand(n_products, n_months) * 1000
# 添加季节性效应
seasonal_effect = np.sin(np.linspace(0, 2*np.pi, n_months)) * 300
for i in range(n_products):base_sales[i, :] += seasonal_effect * (0.5 + i/24)
# 添加产品类别效应
category_effect = np.random.rand(n_products) * 500
for i in range(n_products):base_sales[i, :] += category_effect[i]
# 添加随机噪声
sales_data = base_sales + np.random.randn(n_products, n_months) * 100
# 转换为DataFrame
df = pd.DataFrame(sales_data, index=products, columns=months)
plt.figure(figsize=(12, 10))
sns.heatmap(df, cmap="YlGnBu", annot=True, fmt=".0f",linewidths=0.5, cbar_kws={"label": "销售额"})
plt.title('月度产品销售额热力图')
plt.tight_layout()
plt.show()

结果

五、二维密度图

特点

        通过颜色或等高线展示二维数据的分布密度，比散点图更适合大数据量场景，可识别数据聚类和分布形态。

应用场景

        概率密度分析、金融数据分布（如股票收益率）、空间数据热点分析。

实现过程

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False
n_samples = 1000
mean = [0, 0]
cov = [[1, 0.7], [0.7, 1]]
x, y = np.random.multivariate_normal(mean, cov, n_samples).T
# 创建DataFrame
df_single = pd.DataFrame({'X': x,'Y': y
})
# 绘制二维密度图
plt.figure(figsize=(12, 10))
sns.kdeplot(x='X', y='Y', data=df_single, fill=True, cmap='Blues', alpha=0.7)
plt.title('二维密度图')
plt.grid(True, linestyle='--', alpha=0.6)
plt.tight_layout()
plt.show()

结果

六、多模态二维密度图

特点

        捕捉数据中多个密度峰值（模态），反映复杂集群结构，无需预设聚类数。

应用场景

        客户分群（消费行为）、金融风险（市场状态分类）、生物信息（细胞亚型）。

实现过程

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False
# 2. 多模态分布
# 创建两个不同的分布
n1 = 800
n2 = 500
# 第一个分布
mean1 = [2, 2]
cov1 = [[1, 0.5], [0.5, 1]]
x1, y1 = np.random.multivariate_normal(mean1, cov1, n1).T
# 第二个分布
mean2 = [-2, -2]
cov2 = [[1, -0.5], [-0.5, 1]]
x2, y2 = np.random.multivariate_normal(mean2, cov2, n2).T
# 合并数据
x_multi = np.concatenate([x1, x2])
y_multi = np.concatenate([y1, y2])
groups = np.concatenate([['A']*n1, ['B']*n2])
# 创建DataFrame
df_multi = pd.DataFrame({'X': x_multi,'Y': y_multi,'Group': groups
})
# 绘制多模态二维密度图
plt.figure(figsize=(12, 10))
sns.kdeplot(x='X', y='Y', hue='Group', data=df_multi,fill=True, common_norm=False, alpha=0.7,palette=['#FF9999', '#66B2FF'])
plt.title('多模态二维密度图')
plt.grid(True, linestyle='--', alpha=0.6)
plt.tight_layout()
plt.show()

结果

七、雷达图

特点

        以原点为中心辐射出多条坐标轴，每个样本用多边形连接各维度值，直观比较多变量综合表现。适合展示样本在多个维度的均衡性或偏科情况。

应用场景

        产品多维度评分（如手机的性能、价格、续航、拍照等）。人才评估（如员工的沟通、技术、管理、创新能力）。竞争对手分析（多指标对比）。

实现过程

import numpy as np
import matplotlib.pyplot as plt
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei"]
plt.rcParams["axes.unicode_minus"] = False
# 定义评估维度
dimensions = ['技术能力', '沟通能力', '管理能力', '创新能力', '执行能力', '学习能力']
n_dims = len(dimensions)
# 生成3名员工的评分数据（1-10分）
employee1 = [8, 6, 5, 9, 7, 8]  # 技术和创新突出
employee2 = [7, 9, 8, 6, 9, 7]  # 沟通和执行突出
employee3 = [6, 7, 9, 7, 6, 9]  # 管理和学习突出
# 准备雷达图数据（闭合多边形）
angles = np.linspace(0, 2*np.pi, n_dims, endpoint=False).tolist()
employee1 += employee1[:1]
employee2 += employee2[:1]
employee3 += employee3[:1]
angles += angles[:1]
# 绘制雷达图
plt.figure(figsize=(10, 10))
ax = plt.subplot(111, polar=True)
# 绘制各维度网格线
ax.set_theta_offset(np.pi/2)  # 起始角度设为上方
ax.set_theta_direction(-1)  # 顺时针旋转
ax.set_thetagrids(np.degrees(angles[:-1]), dimensions)
ax.set_ylim(0, 10)
ax.grid(True, alpha=0.3)
# 绘制员工评分
ax.plot(angles, employee1, 'o-', linewidth=2, label='员工A')
ax.fill(angles, employee1, alpha=0.2)
ax.plot(angles, employee2, 's-', linewidth=2, label='员工B')
ax.fill(angles, employee2, alpha=0.2)
ax.plot(angles, employee3, '^-', linewidth=2, label='员工C')
ax.fill(angles, employee3, alpha=0.2)
# 添加图例和标题
plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))
plt.title('员工能力雷达图对比', fontsize=16)
plt.tight_layout()
plt.show()

结果

八、桑基图

特点

        用带箭头的流线表示数据流向，流线宽度反映流量大小，适合展示物质、能量、资金等的传递路径与分配比例。

应用场景

        供应链分析（原材料→加工→成品的价值流动）。网站流量分析（用户从不同渠道到各页面的跳转路径）。

实现过程

import plotly.graph_objects as go
import pandas as pd
# 生成用户流量数据（渠道→页面→转化的流向）
source = ['搜索引擎', '社交媒体', '直接访问', '搜索引擎', '社交媒体', '直接访问','产品页', '产品页', '产品页', '首页', '首页', '首页']
target = ['首页', '首页', '首页', '产品页', '产品页', '产品页','购物车', '详情页', '客服页', '购物车', '详情页', '客服页']
value = [150, 100, 80, 120, 80, 60, 90, 70, 40, 80, 60, 30]  # 流量值
# 创建DataFrame
data = pd.DataFrame({'source': source,'target': target,'value': value
})
# 定义节点标签
all_nodes = list(set(source + target))
node_indices = {node: i for i, node in enumerate(all_nodes)}
data['source_idx'] = data['source'].map(node_indices)
data['target_idx'] = data['target'].map(node_indices)
# 绘制桑基图
fig = go.Figure(data=[go.Sankey(node=dict(pad=15,thickness=20,line=dict(color="black", width=0.5),label=all_nodes),link=dict(source=data['source_idx'],target=data['target_idx'],value=data['value'])
)])
# 更新布局
fig.update_layout(title_text="网站用户流量桑基图",width=800,height=600
)
fig.show()

结果

九、总结

图表类型特点应用场景优点缺点
散点图两点坐标展示变量关系探索两变量关联、异常值检测直观易读，发现线性关系仅支持两变量，大数据量易乱
气泡图散点 + 大小 / 颜色展示 3-4 维数据市场分析、城市数据可视化多维数据同屏展示，信息密度高维度过多易重叠，布局复杂
相关图矩阵展示多变量相关系数特征选择、多变量探索全面呈现相关性，数值颜色双标注仅反映线性相关，需结合验证
热力图颜色矩阵展示二维数据分布基因表达、时间序列、点击数据突出热点区域，适合模式识别数值精度低，颜色映射需谨慎
二维密度图等高线 / 颜色展示数据分布密度金融数据、空间数据、生物数据识别聚类和密度峰值，适合大数据抽象度高，参数影响结果
多模态密度图捕捉数据多个密度峰值客户分群、金融风险、细胞亚型自动识别集群，无需预设聚类数计算复杂，对噪声敏感
雷达图多轴多边形展示多维度均衡性产品对比、能力评估、综合实力分析直观展示优劣维度，适合综合评估维度限≤8，数值比较不精确
桑基图流线宽度展示数据流向与流量供应链、流量分析、贸易进出口清晰展示流动路径，流量对比直观节点过多易混乱，布局较复杂

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.pswp.cn/web/83166.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Git常用命令完全指南：从入门到精通

Git常用命令完全指南：从入门到精通

Git常用命令完全指南：从入门到精通 一、基础配置命令 1. 用户信息配置 # 设置全局用户名 git config --global user.name "你的名字"# 设置全局邮箱 git config --global user.email "你的邮箱example.com"# 查看所有配置 git config --list…
阅读更多...
为什么要创建 Vue 实例

为什么要创建 Vue 实例

核心原因：Vue 需要一个「控制中心」来驱动整个应用 你可以把 Vue 实例想象成你应用的**「大脑」或「引擎」。它负责协调模板、数据、逻辑和行为，将它们变成一个活的、可交互的应用**。没有这个实例，你的代码只是一堆静态的 HTML、JavaScript 变量和函数，无法「活」起来。 …
阅读更多...
正则持续学习呀

正则持续学习呀

源匹配为 (.*): (.*)$ 替换匹配为 "$1": "$2", 可将headers改为字典 参考 【爬虫军火库】如何优雅地复制请求头 - 知乎
阅读更多...
python --导出数据库表结构(pymysql)

python --导出数据库表结构(pymysql)

import pymysql from pymysql.cursors import DictCursor from typing import Optional, Dict, List, Anyclass DBSchemaExporter:"""MySQL数据库表结构导出工具，支持提取表和字段注释使用示例:>>> exporter DBSchemaExporter("local…
阅读更多...
Kafka 消息模式实战：从简单队列到流处理（二）

Kafka 消息模式实战：从简单队列到流处理（二）

四、Kafka 流处理实战 4.1 Kafka Streams 简介 Kafka Streams 是 Kafka 提供的流处理库，它为开发者提供了一套简洁而强大的 API，用于构建实时流处理应用程序。Kafka Streams 基于 Kafka 的高吞吐量、分布式和容错特性，能够处理大规模的实时…
阅读更多...
VAS1086Q 奇力科技线性芯片车规用品LED驱动芯片

VAS1086Q 奇力科技线性芯片车规用品LED驱动芯片

一、产品概述 名称与定位：VAS1086Q 是奇力科技（Chiplead Technology）推出的汽车级恒流 LED 驱动器，属于 Value Added Solutions 系列，专为汽车 LED 照明应用提供高性价比方案。 核心功能： 支持 10~400mA 可…
阅读更多...
适应性Java用于现代 API：REST、GraphQL 和事件驱动

适应性Java用于现代 API：REST、GraphQL 和事件驱动

在快速发展的软件开发领域，REST、GraphQL 和事件驱动架构等新的 API 标准对于构建可扩展、高效的系统至关重要。Java 在现代 API 方面以其在企业应用中的稳定性而闻名，不断适应这些现代范式的需求。随着不断发展的生态系统，Java 在现代 API 方…
阅读更多...
浮点数精度问题（CSP38思考）

浮点数精度问题（CSP38思考）

CSP38的第一题，考到了浮点数的除法（当然考完发现其实也可以不涉及浮点数，直接转化为整型），我第一题一直卡到70、80分，故写下此文。 浮点数的运算有精度损失问题，那么应该如何解决和避免呢&#…
阅读更多...
F5 – TCP 连接管理：会话、池级和节点级操作

F5 – TCP 连接管理：会话、池级和节点级操作

在 F5 BIG-IP 中，您可以在池成员级别或节点级别管理流向服务器的流量。节点级别状态会影响与该节点关联的所有池，而池成员状态则仅限于单个池。了解每种方法以及何时使用它们对于顺利进行维护窗口和流量管理至关重要。 池级状态：启用、禁用、强制离线、移除 在 BIG-IP 配置…
阅读更多...
StoreView SQL，让数据分析不受地域限制

StoreView SQL，让数据分析不受地域限制

作者：章建（处知） 引言 日志服务 SLS 是云原生观测和分析平台，为 Log、Metric、Trace 等数据提供大规模、低成本、实时的平台化服务。SLS 提供了多地域支持【1】，方便用户可以根据数据源就近接入 SLS 服务&#xff0c…
阅读更多...
爬虫基础学习day2

爬虫基础学习day2

# 爬虫设计领域 工商：企查查、天眼查短视频：抖音、快手、西瓜 ---> 飞瓜电商：京东、淘宝、聚美优品、亚马逊 ---> 分析店铺经营决策标题、排名航空：抓取所有航空公司价格 ---> 去哪儿自媒体：采集自媒体数据进…
阅读更多...
Golang——10、日志处理和正则处理

Golang——10、日志处理和正则处理

日志处理和正则处理 1、logx日志处理1.1、logx简介1.2、日志初始化与配置1.3、常用方法1.4、配合defer捕获panic 2、正则处理2.1、正则表达式语法大全2.2、基本匹配2.3、常见函数使用2.4、从html提取汉字demo 1、logx日志处理 1.1、logx简介 logx 是 go-zero 框架中用于日志记…
阅读更多...
【LeetCode】3309. 连接二进制表示可形成的最大数值（递归|回溯|位运算）

【LeetCode】3309. 连接二进制表示可形成的最大数值（递归|回溯|位运算）

LeetCode 3309. 连接二进制表示可形成的最大数值（中等） 题目描述解题思路Java代码 题目描述 题目链接：LeetCode 3309. 连接二进制表示可形成的最大数值（中等） 给你一个长度为 3 的整数数组 nums。 现以某种顺序 连接…
阅读更多...
C++八股 —— 单例模式

C++八股 —— 单例模式

文章目录 1. 基本概念2. 设计要点3. 实现方式4. 详解懒汉模式 1. 基本概念 线程安全（Thread Safety） 线程安全是指在多线程环境下，某个函数、类或代码片段能够被多个线程同时调用时，仍能保证数据的一致性和逻辑的正确性&#xf…
阅读更多...
软件工程：如何做好软件产品

软件工程：如何做好软件产品

1、什么是产品 从项目到产品 产品：满足行业共性需求的标准产品。即要能够做到配置化的开发，用同一款产品最大限度地满足不同客户的需求，同时让产品具有可以快速响应客户需求变化的能力。 好的产品一定吸收了多个项目的共性，一定是…
阅读更多...
Cinnamon修改面板小工具图标

Cinnamon修改面板小工具图标

Cinnamon开始菜单-CSDN博客 设置模块都是做好的，比GNOME简单得多！ 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…
阅读更多...
sqlsugar WhereIF条件的大于等于和等于查出来的坑

sqlsugar WhereIF条件的大于等于和等于查出来的坑

一、如下图所示，当我用 .WhereIF(input.Plancontroltype > 0, u > u.Plancontroltype (DnjqPlancontroltype)input.Plancontroltype) 这里面用等于的时候，返回结果一条数据都没有。 上图中生成的SQL如下： SELECT id AS Id ,code AS …
阅读更多...
centos 7 部署awstats 网站访问检测

centos 7 部署awstats 网站访问检测

一、基础环境准备（两种安装方式都要做） bash # 安装必要依赖 yum install -y httpd perl mod_perl perl-Time-HiRes perl-DateTime systemctl enable httpd # 设置 Apache 开机自启 systemctl start httpd # 启动 Apache二、安装 AWStats&#xff0…
阅读更多...
React从基础入门到高级实战：React 实战项目 - 项目四：企业级仪表盘

React从基础入门到高级实战：React 实战项目 - 项目四：企业级仪表盘

React 实战项目：企业级仪表盘 欢迎来到 React 开发教程专栏 的第 29 篇！在前 28 篇文章中，我们从 React 的基础概念逐步深入到高级技巧，涵盖了组件设计、状态管理、路由配置、性能优化和实时通信等核心内容。这一次，我…
阅读更多...
STM32----IAP远程升级

STM32----IAP远程升级

一、概述： IAP，全称是“In-Application Programming”，中文解释为“在程序中编程”。IAP是一种对通过微控制器的对外接口（如USART，IIC，CAN，USB，以太网接口甚至是无线射频通道&#…
阅读更多...
最新文章

Copyright @ 2022~2023