说到Python的数据可视化，Matplotlib可真是个老练的"绘图高手"！今天咱们就来聊聊它的三件"法宝"：散点图、箱线图和词云图。

首先，散点图就像是数据世界的"关系图"，它能让你一眼看出变量之间的"感情线"。比如，身高和体重之间是"正相关"还是"负相关"？散点图会用"点点星光"告诉你答案！用scatter()函数，你可以轻松绘制散点图，关键参数有x、y坐标，还有c（颜色）、s（大小）和alpha（透明度）。就像这样：

`python
x = np.array([1,2,3,4,5,6,7,8])
y = np.array([1,4,9,16,7,11,23,18])
plt.scatter(x, y, c='red', s=100, alpha=0.5)
`

是不是很简单？而且还可以用不同的颜色条（cmap）让散点更绚丽多彩！比如coolwarm、viridis这些，都能让你的图表更有"温度"。

再说说箱线图，它是数据分布的"浓缩版"，用五个数概括数据的全貌：最小值、第一四分位数、中位数、第三四分位数和最大值。用boxplot()函数一秒钟就能画出来。比如：

`python
data = [np.random.normal(size=100) for _ in range(4)]
plt.boxplot(data)
`

这下数据的"骨架"和"肥瘦"全都暴露无遗了！

最后是词云图，它是文字的"画家"，用WordCloud把文字变成漂亮的云朵。要想让它支持中文，还需要jieba这个"庖丁"帮忙分词。比如：

`python
from wordcloud import WordCloud
import jieba
text = "人生苦短，我用Python"
wordcloud = WordCloud(width=800, height=400, background_color='white').generate(' '.join(jieba.cut(text)))
plt.imshow(wordcloud)
`

这样你的文字就能"飘起来"了，是不是很酷？

总之，Matplotlib就像一个"可视化工具箱"，让你的数据"活起来"！记住，数据可视化不仅是展示，更是发现和思考的过程。下次当你面对一堆数据时，不妨试试这些图表，看看它们能给你带来什么灵感！

• 在最开始，先引入我们的 numpy 和 matplotlib 库。

from matplotlib import pyplot as plt
import numpy as np

• 同时，对基本配置进行设置，将中文字体设置为黑体，不包含中文负号，分辨率为 100，图像显示大小设置为 (5,3)。

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 100
plt.rcParams['figure.figsize'] = (5,3)

一、散点图

• 散点图也叫 X-Y 图，它将所有的数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。
• 通过观察散点图上数据点的分布情况，我们可以推断出变量间的相关性。如果变量之间不存在相互 关系，那么在散点图上就会表现为随机分布的离散的点，如果存在某种相关性，那么大部分的数据 点就会相对密集并以某种趋势呈现。
• 数据的相关关系主要分为：正相关（两个变量值同时增长）、负相关（一个变量值增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我们称为离群点或者异常点。
  

1. scatter() 函数

• scatter() 函数的语法模板如下：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, plotnonfinite=False, data=None, *kwargs)

• 其参数含义如下：
• x, y 表示散点的坐标。
• s 表示散点的面积。
• c 表示散点的颜色（默认值为蓝色，‘b’，其余颜色同 plt.plot( )）。
• marker 表示散点样式（默认值为实心圆，‘o’，其余样式同 plt.plot( )）。
• alpha 表示散点透明度（[0, 1] 之间的数，0 表示完全透明，1 则表示完全不透明）。
• linewidths 表示散点的边缘线宽。
• edgecolors 表示散点的边缘颜色。
• cmap 表示 Colormap，默认 None，标量或者是一个 colormap 的名字，只有 c 是一个浮点数数组的时才使用。
• scatter() 函数接收长度相同的数组参数，一个用于 x 轴的值，另一个用于 y 轴上的值。
• 其中，x 轴和 y 轴的数据我们直接设定并使用 plt.scatter( ) 函数进行散点图的绘制。

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([1, 4, 9, 16, 7, 11, 23, 18])​
plt.scatter(x, y)

2. 设置图标大小

• x 轴和 y 轴仍采用上面的数据，同时，生成一个 [0,1)之间的随机浮点数或N维浮点数组，用以表示散点的大小。

x = np.array([1, 2, 3, 4,