Matplotlib是一个Python的2D绘图库，通过Matplotlib，开发者可以仅需要几行代码，便可以生成折线图，直方图，条形图，饼状图，散点图等。详情可查看Matplotlib库API文档

1. 散点图

散点图也就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。
通过观察散点图上的数据点的分布情况，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。

2. 绘制散点图

散点图的绘制，使用的是 plt.scatter 方法，这个方法有以下参数：
（1） x,y：分别是 x 轴和 y 轴的数据集。两者的数据长度必须一致
（2） s：点的尺寸。如果是一个具体的数字，那么散点图的所有点都是一样大小，如果是一个序列，那么这个序列的长度应该和 x 轴数据量一致，序列中的每个元素代表每个点的尺寸
（3） c：点的颜色。可以为具体的颜色，也可以为一个序列或者是一个 cmap 对象
（4） marker：标记点，默认是圆点，也可以换成其他的

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

#读取运动员数据（姓名、性别、年龄、身高、体重）且删除NaN数据
athletes = pd.read_csv('new_athlete.csv').dropna()

plt.figure(figsize=(15,5))
#男性数据
male_athletes = athletes[athletes['Sex']=='M']
#身高
male_heights = male_athletes['Height']
#体重
male_weights = male_athletes['Weight']
#平均身高
male_heights_mean = male_heights.mean()
#平均体重
male_weights_mean = male_weights.mean()

#女性数据
female_athletes = athletes[athletes['Sex']=='F']
#身高
female_heights = female_athletes['Height']
#体重
female_weights = female_athletes['Weight']
#平均身高
female_heights_mean = female_heights.mean()
#平均体重
female_weights_mean = female_weights.mean()

#绘图 s设置点的尺寸（示例：按年龄大小）
plt.scatter(male_heights,male_weights,s=male_athletes['Age'])
#alpha调节透明度
plt.scatter(female_heights,female_weights,s=female_athletes['Age'],alpha=0.5)
#绘制纵向平均线(示例：平均身高线)
plt.axvline(male_heights_mean,linewidth=1,c='r')
#绘制横向平均线（示例：平均体重线）
plt.axhline(male_weights_mean,linewidth=1,c='y')

3. 绘制回归曲线

有一组数据后，我们可以对这组数据进行回归分析，回归分析可以帮助我们了解这组数据的大体走向。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照自变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之前存在线性相关，则称为多重线性回归分析。

from sklearn.linear_model import LinearRegression
model = LinearRegression()
#fit的第一个参数要求为二维数据 多行一列
#与 male_heights.values[:,None] 效果一致 None也可替换为np.newaxis
#male_heights.values.reshape(male_heights.shape[0],1)
#喂数据
model.fit(male_heights.values[:,np.newaxis],male_weights)
predict_male_weight = model.predict(male_heights.values[:,np.newaxis])
#绘制回归方程
plt.plot(male_heights,predict_male_weight)