1、散点图(Scatter Plot)
散点图是一个图表，其中数据集中的每个值都用点表示。
Matplotlib模块有一种绘制散点图的方法，它需要两个长度相同的数组，一个数组用于x轴的值，一个数组用于y轴的值：
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]x数组代表每辆汽车的寿命。
y数组代表每辆汽车的速度。
例如：
使用scatter()方法绘制散点图：
import matplotlib.pyplot as plt
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
plt.scatter(x, y)
plt.show() Result:
散点图解释
x轴表示年龄，y轴表示速度。
从图中可以看到，两辆最快的汽车都使用了2年，最慢的汽车使用了12年。
注意：汽车似乎越新，驾驶速度就越快，但这可能是一个巧合，毕竟我们只注册了13辆汽车。
2、随机数据分布
在机器学习中，数据集可以包含成千上万甚至数百万个值。
测试算法时，您可能没有真实的数据，您可能必须使用随机生成的值。
正如我们在上一章中学到的那样，NumPy模块可以帮助我们实现这一目标！
让我们创建两个数组，它们都填充有正常数据分布中的1000个随机数。
第一个数组的平均值设置为5.0，标准差为1.0。
第二个数组的平均值设置为10.0，标准差为2.0：
例如：
有1000个点的散点图：
import numpy
import matplotlib.pyplot as plt
x = numpy.random.normal(5.0, 1.0, 1000)
y = numpy.random.normal(10.0, 2.0, 1000)
plt.scatter(x, y)
plt.show()Result:
散点图解释
我们可以看到，点集中在x轴上的值5和y轴上的10周围。
我们还可以看到，在y轴上的扩散比在x轴上的扩散大。