散点图（Scatter Plot or Scatter Chart)，也叫分布图，望文生义便是由一些散乱的点组成的图表，这些点在哪个方位，是由其X值和Y值确认的。所以也叫做XY散点图。它将一切的数据以点的方法展现在直角坐标系上，以显现变量之间的相互影响程度，点的方位由变量的数值决议。

　　在剖析独立数据时，用直方图、柏拉图就能够直接找到改进着眼点，可是要解析两个变量X、Y之间的相关性时，就要用到散点图。如钢的淬火温度和硬度，螺丝的扭矩和抗张强度，油的温度与粘度，玻璃中含铅量与抗辐射等。

　　人们经常用散点图来表述两个连续变量X和Y之间的联络，图中的每个点表明方针数据会集的每个样本，在直角坐标系平面上数据点的分布和因变量随自变量而改变的大致趋势。由此趋势能够挑选适宜的函数进行经历分布的拟合，一起散点图中常常还会拟合一些直线和曲线，以用来表明某些模型，从而找到变量之间的函数联络。

　　散点图将序列显现为一组点，值由点在图表中的方位表明，类别由图表中的不同符号表明。散点图一般用于比较跨类别的聚合数据，其使用有许多，总结两个常见的使用如下。

　　散点图用于回归剖析中，数据点在直角坐标系平面上的分布图，散点图表明因变量随自变量而改变的大致趋势，据此能够挑选适宜的函数对数据点进行拟合。

　　散点图经过回归剖析之后，能够对相关目标进行猜测剖析，能让咱们发现变量之间躲藏的联络，从而做出科学的决议计划，而不是不置可否。比方，下面房价的散点图能够为咱们直观出现不同城市的房价上涨状况，为后续的房价方针调整做出重要的支撑。

　　散点图用于相关性剖析中，用两组数据构成多个坐标点，调查坐标点的分布，判别两变量之间是否存在某种相关或总结坐标点的分布形式。

　　经过调查散点图上数据点的分布状况，咱们能够推断出变量间的相关性。假如变量之间不存在相互联络，那么在散点图上就会表现为随机分布的离散的点，假如存在某种相关性，那么大部分的数据点就会相对密布并以某种趋势出现。

　　散点图中心的价值在于发现变量之间的联络，千万不要简略地将这个联络理解为线性回归联络。变量间的联络有许多，如线性联络、指数联络、对数联络等等，当然，没有联络也是一种重要的联络。

　　数据的相相联络首要分为：正相关（两个变量值一起添加）、负相关（一个变量值添加另一个变量值下降）、不相关、线性相关、指数相关等，表现在散点图上的大致分布如下图所示。那些离点集群较远的点咱们称为离群点或许反常点。

　　当欲一起调查多个变量间的相相联络时，若逐个制作它们间的简略散点图，非常费事。此刻可利用散点图矩阵来一起制作各自变量间的散点图，这样能够快速发现多个变量间的首要相关性，这一点在进行多元线性回归时显得尤为重要。 下面的散点图矩阵展现球队总积分、胜、传球成功率和射门的联络。

　　在散点图矩阵中尽管能够一起调查多个变量间的联络，可是两两进行平面散点图的调查的，有或许漏掉一些重要的信息。三维散点图便是在由3个变量确认的三维空间中研讨变量之间的联络，因为一起考虑了3个变量，常常能够发现在两维图形中发现不了的信息。下面的三维散点图展现球队总积分、胜、和射正的联络。

　　气泡图（bubble chart）是可用于展现三个变量之间的联络。摆放在作业表的列中的数据（榜首列中列出 x 值，在相邻列中列出相应的 y 值和气泡巨细的值）能够制作在气泡图中。

　　气泡图与散点图类似，不同之处在于，气泡图答应在图表中额定参加一个表明巨细的变量。实际上，这就像以二维方法制作包括三个变量的图表相同。气泡由巨细不同的符号(指示相对重要程度)表明。

　　留意：假如搜集到的数据在图上无法断定，则应先与层别，再行点入绘成分布图。

　　下表所列数据为搜集的某钢件的淬火温度X与硬度Y记载表。两个变量淬火温度X和硬度Y之间是否有相关性？

　　假如只看上面表格中的数据，能看出上面的数据有什么特征吗？必定不能，可是咱们将其制作成散点图，其数据显着具有必定的趋势。