plt.scatter() 参数
​​​​​​
#plt.scatter() 散点图
#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)

主要参数：

    s:散点的大小

    c:散点的颜色，'r '/'g'/'y'/'w'/'k'.......

    marker:散点形状,  '.'(点)/'o'（圆）/'v'（倒三角形）/'*'（星星）/'s'（正方形）.........

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

    vmin，vmax:亮度设置，标亮

    alpha ：颜色透明程度， 实数，0-1之间

    linewidths:线的宽度

    linestyle: 线的风格，'--'（虚线）/ '-' (直线) / '-.'(间隔虚线)/ ': '(全为点).......

实例：

结果展示：

从图中看出，由于x,y都是服从随机正态分布的数， 因此数据是聚集的。该类散点图可以用来展示三维数据（x坐标，y坐标，点的大小）

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

参数解释：

        frame：数据需要举阵形式

        diagonal： { 'hist','kde'}必须在这两个中选一个， 'kde' 就是画密度图且核为kde,若diagonal='hist',则为直方图

        range_padding： 图像在x轴，y轴原点附近留白，值越大，留白越多。

实例：

结果展示：

根据矩阵散点图形状，看变量间的相互关系。

原文链接：https://blog.csdn.net/leilei9406/article/details/83538117