1、背景
在数据分析的过程种，通过将大量数据可视化，会很直观的发现数据的很多特征。不仅有助于在数据清洗过程种发现数据存在的问题，还有助于在应用某些数据分析后查看效果。
Matplotlib是python强大的数据可视化工具（以下简称plt） ，能够创建多数类型的图表，如条形图，散点图，条形图，饼图，堆叠图，3D 图和地图图表。下面将借助散点图来介绍其基本构造，和使用的方法。希望在读本节内容，能够明白其各节点的意义。
2、介绍
（1）plt布局
通常你在看plt的demo的时候，最开始的程序就是：fig = plt.figure()；ax1 = fig.add_subplot(111)。结合上面的图来理解这两句是什么意思。
对应程序来理解以下上图是什么含义。一个完整的plt图是一个大的Figure对象，在这个Figure下有多个Axes对象，你可理解为一个个的图表。Figure可理解为画布，Axes为矩阵状排列在画布，所以在程序种add_subplot指定的参数就是画布的大小与位置，不如111分别代表的含义就是1*1的图的第1个位置的对象赋给ax1变量。同理，如果是2*2的大小，选取左上角，程序就为：ax1 = fig.add_subplot(221)。再往下看，对于每一个单独的图表，其对应的变量含义为：
在定义完画布和图表后，需要定义图表的内容：
ax1.set_title('Scatter Plot')，ax1.set_xlabel("x")，ax1.set_ylabel("Y")，ax1.scatter(data,x,c ='r',marker ='o')
plt.legend('x1')，plt.show()
对应图上的内容，一个图表包括横坐标xlabel，纵坐标ylabel，标题title，数据部分data（图像部分），标尺Tick等内容。
所以综上所述，plt各个部分的关系可表述为：
补充：Figure部分的参数
（2）散点图
最终上面的代码运行完生成的图像为：
其它内容都已介绍，但有一行没有介绍就是：ax1.scatter(data,x,c ='r',marker ='o')，这一句就是完成图像内容的部分，形成这么多点的图像的程序。
以上是scatter对象的所有参数，各个参数的介绍如下：
X：横坐标；
Y：纵坐标，需跟X维度相同。
S：点的大小，默认为20。可为数组，指定不同点不同点大小。但维度需跟X、Y相同；
C：颜色，默认为蓝色。还有r红色，k黑色等。可为数组，指定不同点不同的颜色。但维度需跟X、Y相同；
marker：点的形状，可为“x”、“s”等多种形状，具体查看官方文档。
cmap：colormap，当C参数为浮点数时其作用。
norm：normalize，数据亮度0-1的浮点数据。
vmin、vmax：亮度设置，如norm已使用则该参数忽略；
alpha：混合值，介于0（透明）与1（不透明）之间；
verts：与S结合使用；
edgecolors：边缘颜色等。
那么使用这些参数重新调整后，图像可变成：
综上所述：通过配置散点图的各个参数，可更加直观的体现出数据的特点。另外，同个散点图还能添加多种散点序列，可使数据内容更加丰富。还能实现数据间的对比，发现规律。
