在众多的可视化图形中，有一类图形专门用于探究两个或三个变量之间的关系。例如，散点图用于发现两个数值变量之间的关系，气泡图可以展现三个数值变量之间的关系，热力图则体现了两个离散变量之间的组合关系。下面首先了解一下最常用的散点图是如何绘制的。
1 散点图
如果需要研究两个数值型变量之间是否存在某种关系，例如正向的线性关系，或者是趋势性的非线性关系，那么散点图将是最佳的选择。
seaborn模块绘制散点图 为了使读者清楚地掌握lmplot函数的使用方法，有必要介绍一下该函数的语法和参数含义：
lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None,
size=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None,
col_order=None, row_order=None, legend=True, legend_out=True, scatter=True,
fit_reg=True, ci=95, n_boot=1000, order=1, logistic=False, lowess=False,
robust=False, logx=False, x_partial=None, y_partial=None, truncate=False,
x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None)
- x,y：指定x轴和y轴的数据。
- data：指定绘图的数据集。
- hue：指定分组变量。
- col,row：用于绘制分面图形，指定分面图形的列向与行向变量。
- palette：为hue参数指定的分组变量设置颜色。
- col_wrap：设置分面图形中每行子图的数量。
- size：用于设置每个分面图形的高度。
- aspect：用于设置每个分面图形的宽度，宽度等于size*aspect。
- markers：设置点的形状，用于区分hue参数指定的变量水平值。
- sharex,sharey：bool类型参数，设置绘制分面图形时是否共享x轴和y轴，默认为True。
- hue_order,col_order,row_order：为hue参数、col参数和row参数指定的分组变量设值水平值顺序。
- legend：bool类型参数，是否显示图例，默认为True。
- legend_out：bool类型参数，是否将图例放置在图框外，默认为True。
- scatter：bool类型参数，是否绘制散点图，默认为True。
- fit_reg：bool类型参数，是否拟合线性回归，默认为True。
- ci：绘制拟合线的置信区间，默认为95%的置信区间。
- n_boot：为了估计置信区间，指定自助重抽样的次数，默认为1000次。
- order：指定多项式回归，默认指数为1。
- logistic：bool类型参数，是否拟合逻棒回归，默认为False。
- logx：bool类型参数，是否对x轴做对数变换，默认为False。
- x_partial,y_partial：为x轴数据和y轴数据指定控制变量，即排除x_partial和y_partial变量的影响下绘制散点图。
- truncate：bool类型参数，是否根据实际数据的范围对拟合线做截断操作，默认为False。
- x_jitter,y_jitter：为x轴变量或y轴变量添加随机噪声，当x轴数据与y轴数据比较密集时，可以使用这两个参数。
- scatter_kws：设置点的其他属性，如点的填充色、边框色、大小等。 line_kws：设置拟合线的其他属性，如线的形状、颜色、粗细等。
该函数的参数虽然比较多，但是大多数情况下读者只需使用几个重要的参数，如x、y、hue、data等。接下来以iris数据集为例（数据集可自行百度获取），绘制分组散点图，绘图代码如下：
zhfont = mpl.font_manager.FontProperties(fname='/usr/share/fonts/truetype/liberation/simhei.ttf')
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 导入第三方模块
from matplotlib.font_manager import FontProperties
# 设置字体属性
font_path = '/usr/share/fonts/truetype/liberation/simhei.ttf' # 替换为实际的字体文件路径
font_properties = FontProperties(fname=font_path)
# 导入第三方模块
import pandas as pd
# 读入数据
iris=pd.read_csv(r'/content/drive/MyDrive/Colab_Notebooks/DraftTableFiles/iris.csv')
# seaborn模块绘制分组散点图
sns.lmplot(x='Petal.Length', # 指定x轴变量
y='Petal.Width', # 指定y轴变量
hue='Species', # 指定分组变量
data=iris, # 指定绘图数据集
legend_out=False, # 将图例呈现在图框内
truncate=True # 根据实际的数据范围，对拟合线做截断操作
)
# 修改x轴和y轴标签
plt.xlabel('花瓣宽度',fontproperties=font_properties)
plt.ylabel('花瓣长度',fontproperties=font_properties)
# 添加标题
plt.title('鸢尾花的花瓣宽度与长度关系',fontproperties=font_properties)
# 显示图形
plt.show()
图1
如图1所示，lmplot函数不仅可以绘制分组散点图，还可以对每个组内的散点添加回归线（图1默认拟合线性回归线）。分组效果的体现是通过hue参数设置的，如果需要拟合其他回归线，可以指定lowess参数（局部多项式回归）、logistic参数（逻辑回归）、order参数（多项式回归）和robust参数（鲁棒回归）。
2 气泡图
散点图反映两个数值型变量的关系，如果还想通过散点图添加第三个数值型变量的信息，一般可以使用气泡图。气泡图的实质就是通过第三个数值型变量控制每个散点的大小，点越大，代表的第三维数值越高，反之亦然。接下来将会介绍如何通过Python绘制气泡图。
应用matplotlib模块中的scatter函数可绘制散点图，本节将使用该函数绘制气泡图。要实现气泡图的绘制，关键的参数是s，即散点图中点的大小，如果将数值型变量传递给该参数，就可以轻松绘制气泡图了。如下是一个代码示例：
zhfont = mpl.font_manager.FontProperties(fname='/usr/share/fonts/truetype/liberation/simhei.ttf')
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 导入第三方模块
from matplotlib.font_manager import FontProperties
# 设置字体属性
font_path = '/usr/share/fonts/truetype/liberation/simhei.ttf' # 替换为实际的字体文件路径
font_properties = FontProperties(fname=font_path)
# 读取数据
Prod_Category=pd.read_excel(r'/content/drive/MyDrive/Colab_Notebooks/DraftTableFiles/SuperMarket.xlsx')
# 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001
range_diff=Prod_Category.Profit_Ratio.max()-Prod_Category. Profit_Ratio.min()
Prod_Category['std_ratio']=(Prod_Category.Profit_Ratio-Prod_Category. Profit_Ratio.min())/range_diff + 0.001
# 绘制办公用品的气泡图
plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '办公用品'],
y=Prod_Category.Profit[Prod_Category.Category == '办公用品'],
s=Prod_Category.std_ratio[Prod_Category.Category == '办公用品'] *500,color='steelblue', label='办公用品', alpha=0.6
)
# 绘制技术产品的气泡图
plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '技术产品'],
y=Prod_Category.Profit[Prod_Category.Category == '技术产品'],
s=Prod_Category.std_ratio[Prod_Category.Category == '技术产品'] *500,
color='indianred' , label='技术产品',alpha=0.6
)
# 绘制家具产品的气泡图
plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '家具产品'],
y=Prod_Category.Profit[Prod_Category.Category == '家具产品'],
s=Prod_Category.std_ratio[Prod_Category.Category == '家具产品'] *500,
color='black' , label='家具产品', alpha=0.6
)
# 添加x轴和y轴标签
plt.xlabel('销售额',fontproperties=font_properties)
plt.ylabel('利润',fontproperties=font_properties)
# 添加标题
plt.title('销售额、利润及利润率的气泡图',fontproperties=font_properties)
# 显示图例
legend = plt.legend(prop=zhfont)
# 显示图形
plt.show()
图2
如图2所示，应用scatter函数绘制了分组气泡图，从图中可知，办公用品和家具产品的利润率波动比较大（因为这两类圆点大小不均）。从代码角度来看，绘图的核心部分是使用三次scatter函数，而且代码结构完全一样，如果读者对for循环掌握得比较好，完全可以使用循环的方式替换三次scatter函数的重复应用。
需要说明的是，如果s参数对应的变量值小于等于0，则对应的气泡点是无法绘制出来的。这里提供一个解决思路，就是先将该变量标准化为[0,1]，再加上一个非常小的值，如0.001。如上代码所示，最后对s参数扩大500倍的目的就是凸显气泡的大小。
遗憾的是，pandas模块和seaborn模块中没有绘制气泡图的方法或函数，故这里就不再衍生了。如果读者确实需要绘制气泡图，又觉得matplotlib模块中的scatter函数用起来比较烦琐，可以使用Python的bokeh模块，有关该模块的详细内容，可以查看官方文档。
3 热力图
热力图，有时也称之为交叉填充表。该图形最典型的用法就是实现列联表的可视化，即通过图形的方式展现两个离散变量之间的组合关系。读者可以借助于seaborn模块中的heatmap函数，完成热力图的绘制。首先对该函数的用法及参数含义做如下解释：
heatmap(data, vmin=None, vmax=None, cmap=None, center=None, annot=None,
fmt='.2g',annot_kws=None, linewidths=0, linecolor='white',
cbar=True, cbar_kws=None, square=False, xticklabels='auto',
yticklabels='auto', mask=None, ax=None)
- data：指定绘制热力图的数据集。
- vmin,vmax：用于指定图例中最小值与最大值的显示值。
- cmap：指定一个colormap对象，用于热力图的填充色。
- center：指定颜色中心值，通过该参数可以调整热力图的颜色深浅。
- annot：指定一个bool类型的值或与data参数形状一样的数组，如果为True，就在热力图的每个单元上显示数值。
- fmt：指定单元格中数据的显示格式。
- annot_kws：有关单元格中数值标签的其他属性描述，如颜色、大小等。
- linewidths ：指定每个单元格的边框宽度。
- linecolor：指定每个单元格的边框颜色。
- cbar：bool类型参数，是否用颜色条作为图例，默认为True。
- cbar_kws：有关颜色条的其他属性描述。
- square：bool类型参数，是否使热力图的每个单元格为正方形，默认为False。
- xticklabels,yticklabels：指定热力图x轴和y轴的刻度标签，如果为True，则分别以数据框的变量名和行名称作为刻度标签。
- mask：用于突出显示某些数据。
- ax：用于指定子图的位置。
下面是一个代码示例：
import numpy as np
# 读取数据
Sales=pd.read_excel(r'/content/drive/MyDrive/Colab_Notebooks/DraftTableFiles/Sales.xlsx')
# 根据交易日期，衍生出年份和月份字段
Sales['year']=Sales.Date.dt.year
Sales['month']=Sales.Date.dt.month
# 统计每年各月份的销售总额
Summary=Sales.pivot_table(index='month', columns='year', values='Sales', aggfunc=np.sum)
# 绘制热力图
sns.heatmap(data=Summary, # 指定绘图数据
cmap='PuBuGn', # 指定填充色
linewidths=.1, # 设置每个单元格边框的宽度
annot=True, # 显示数值
fmt='.1e' # 以科学计算法显示数据
)
#添加标题
plt.title('每年各月份销售总额热力图',fontproperties=font_properties)
# 显示图形
plt.show()
图3
如图3所示就是将表格进行可视化的结果，每个单元格颜色的深浅代表数值的高低，通过颜色就能迅速发现每年各月份销售情况的好坏。