关于散点图，我们再熟悉不过了。但是大部分人只会简单地对x轴和y轴各赋一个变量，然后观察这两个变量之间的关系。

随着大数据时代的到来，我们越来越倾向于拥有高维度的数据。比如说，我们可能想了解家庭年收入与生育率之间的关系。但是，仅仅得到这两个变量间的关系，很可能无法满足我们的需求，比如说，我们还想要知道额外的一些变量对他们之间的关系有什么影响，比如家中老人数量、城市发展水平等。

为什么我们需要观察这些额外变量带来的影响呢？这是因为任何一个行业，在红利期或者说高速发展期，即使我们粗放、野蛮地生长，也能发展得不错；但是一旦红利褪去，行业陷入增长瓶颈，精细化增长就势在必行。而精细化增长的基础，就是精细化数据分析。我们必须从各个维度深入理解数据，才有可能提出行之有效的增长方案。

那么今天，我们就来看一下，如何更高级、更高效地使用散点图来表现高维度数据中的变量关系。

想要学习更多可视化知识的话，可以到我的历史文章中查阅更多分享，比如《从零开始学Python可视化》系列、《7天学会Python最佳可视化工具Seaborn》系列、《一天一图学Python可视化》系列等。同时我还会分享许多关于爬虫、数据分析与挖掘、机器学习等的知识，欢迎感兴趣的同学关注我！

老规矩，我们先看代码和图形效果。

import seaborn as snssns.set(style="white")## 导入数据集mpg = sns.load_dataset("mpg")## 绘制每加仑里程与马力之间的关系sns.relplot(x="horsepower", y="mpg", hue="origin", size="weight", sizes=(40, 400), alpha=.5, palette="muted", height=6, data=mpg);

看起来，这次的代码不太长哦！这就是seaborn的强大之处，短短几行，增加几个参数后就可以展示丰富的信息，强烈建议大家掌握seaborn的使用！

我们有必要先了解下"mpg"数据集，这是一个关于汽车的数据集，它包含了多种车型的各种表现数据，比如每加仑里程、马力、车重等，具体大家可以看下边这些示例数据：

我们看到，在这张散点图中，我们展示了汽车马力和每加仑汽油行驶里程（之后简称每加仑里程）之间的关系，同时，我们用颜色区分了不同的产地、用散点大小区分了车重。这样，我们轻易就可以发现如下趋势：

马力越大，每加仑里程就越低；日本与欧洲生产的车比较省油，美国产的车则比较费油；日本与欧洲生产的车车身较轻，美国产的车则车身较重；这些车要么省油、要么马力大，几乎没有既不省油马力又小的车，也不存在马力超群同时还非常省油的车。

看起来还真是鱼与熊掌不可兼得啊。不过我好像看到了有一辆日产汽车出现在散点群右上的位置，妥妥的C位啊！从图中来看，这辆车每加仑里程大于30，马力大于125，那我们就来看看这是哪辆车：

mpg.query('(horsepower>125) & (mpg>30)')

输出为：

datsun 280-zx，这是什么车？原谅我不太懂车（因为没钱，所以不配……），懂行的朋友可以留言讲解下。

虽然这些车的年代可能比较久远了，但是看到没有，我们一瞬间就找到了C位车，综合了性能与油耗的最佳车！看来学好数据分析与数据可视化，还能治好我们的选择困难症呢！

那么接下来，我们就复盘一下，看看这么强大的图形是如何绘制出来的。

第一步，我们导入了seaborn，并且设置绘制风格为纯白背景。

第二步，我们导入了"mpg"数据集。

第三步，我们使用relplot绘制了一幅美观的散点图。我们在《7天学会Python最佳可视化工具Seaborn》系列中有讲解relplot()的详细用法，忘记了的同学可以复习一下。在这里，我们使用x / y指定了行变量和列变量的名称，使用hue="origin"来使得不同的产地以不同的颜色来展示，使用size="weight"来用车重控制散点大小，使用sizes=(40, 400)来控制散点大小范围，使用alpha=0.5来控制散点半透明，使用palette="muted"来选择调色板（控制hue变量不同水平的颜色），然后我们用height=6指定了图形高度，最后data=mpg用于指定数据集，这里数据集是pandas DataFrame格式。

好，简单的几行代码，我们就实现了一幅高效、美观的图形的绘制，你学会了吗？