2025年大學(xué)《統(tǒng)計(jì)學(xué)》專業(yè)題庫——統(tǒng)計(jì)學(xué)專業(yè)數(shù)據(jù)可視化技術(shù)應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、簡述數(shù)據(jù)可視化的定義及其在統(tǒng)計(jì)學(xué)研究中的重要性。請至少列舉三個(gè)統(tǒng)計(jì)學(xué)分析任務(wù)中數(shù)據(jù)可視化的應(yīng)用場景。二、比較散點(diǎn)圖和箱線圖在展示數(shù)據(jù)分布特征方面的主要區(qū)別。在什么情況下，使用箱線圖可能比散點(diǎn)圖提供更豐富的信息？三、描述在使用R語言中的ggplot2包創(chuàng)建圖形時(shí)，其核心的語法結(jié)構(gòu)（GrammarofGraphics）包含哪些基本要素？請簡要說明每個(gè)要素的作用。四、假設(shè)你需要可視化某城市過去十年中各季度居民消費(fèi)價(jià)格指數(shù)（CPI）的變化趨勢。請說明你會(huì)選擇哪種（或哪幾種）類型的圖表，并闡述選擇理由。如果數(shù)據(jù)中還包含了不同商品類別的CPI信息，你將如何進(jìn)一步通過可視化來展示類別間的差異？五、解釋什么是“數(shù)據(jù)密度圖”（DensityPlot），并說明它在探索連續(xù)變量分布特征時(shí)相較于直方圖可能具有的優(yōu)勢。如果你需要同時(shí)可視化兩個(gè)連續(xù)變量的概率密度分布，你會(huì)選擇什么類型的圖表，并簡述其原理？六、在處理分類變量時(shí)，如果要比較不同類別之間的中心趨勢（如均值或中位數(shù)），請說明你會(huì)選擇哪些常見的圖表類型，并比較它們在展示比較結(jié)果時(shí)的側(cè)重點(diǎn)有何不同。七、描述在使用Python的Matplotlib或Seaborn庫進(jìn)行數(shù)據(jù)可視化時(shí)，如何為圖表添加必要的標(biāo)簽（標(biāo)題、坐標(biāo)軸標(biāo)簽、圖例等）以增強(qiáng)其可讀性和信息傳達(dá)能力？請說明至少三種重要標(biāo)簽的作用。八、討論在可視化時(shí)間序列數(shù)據(jù)時(shí)，選擇折線圖的主要原因。如果時(shí)間序列數(shù)據(jù)存在明顯的季節(jié)性波動(dòng)，你可以在折線圖上進(jìn)行怎樣的調(diào)整或結(jié)合其他圖表類型來更清晰地展示這一特征？九、假設(shè)你獲得了一份包含地理位置信息的銷售數(shù)據(jù)集，請說明你會(huì)如何利用數(shù)據(jù)可視化技術(shù)來展示不同地區(qū)的銷售分布情況?？赡軙?huì)用到哪些類型的圖表或地圖可視化方法？并簡述選擇這些方法的原因。十、對(duì)于大規(guī)模數(shù)據(jù)集（例如包含數(shù)十萬或更多數(shù)據(jù)點(diǎn)的數(shù)據(jù)），在創(chuàng)建可視化圖表時(shí)可能會(huì)遇到性能問題。請列舉至少三種應(yīng)對(duì)這種情況的策略，并簡要說明其原理。十一、解釋什么是交互式可視化，并列舉至少三個(gè)交互式可視化常見的交互方式（如縮放、篩選、鉆取等）。說明交互式可視化相比靜態(tài)可視化在數(shù)據(jù)探索和分析方面具有哪些優(yōu)勢。十二、在數(shù)據(jù)可視化過程中，如何避免創(chuàng)建具有誤導(dǎo)性的圖表？請至少提出三條原則或建議。十三、描述如何將一個(gè)復(fù)雜的統(tǒng)計(jì)模型的結(jié)果（例如包含多個(gè)自變量和交互項(xiàng)的回歸分析結(jié)果）通過數(shù)據(jù)可視化的方式進(jìn)行有效展示，使非專業(yè)觀眾也能理解模型的主要發(fā)現(xiàn)。十四、比較熱力圖（Heatmap）和散點(diǎn)圖矩陣（ScatterplotMatrix）在多變量數(shù)據(jù)分析中的應(yīng)用場景和側(cè)重點(diǎn)。在什么情況下，使用熱力圖可能更合適？十五、從統(tǒng)計(jì)學(xué)專業(yè)數(shù)據(jù)可視化的角度，談?wù)勀銓?duì)“數(shù)據(jù)故事化”（DataStorytelling）的理解。它包含哪些關(guān)鍵要素？如何通過數(shù)據(jù)可視化技術(shù)來有效地講述一個(gè)數(shù)據(jù)故事？試卷答案一、數(shù)據(jù)可視化是指通過圖形、圖像等視覺形式表示數(shù)據(jù)，將數(shù)據(jù)中的信息轉(zhuǎn)化為視覺元素，以便于理解、分析和溝通。在統(tǒng)計(jì)學(xué)研究中，數(shù)據(jù)可視化的重要性體現(xiàn)在：1）有助于快速探索數(shù)據(jù)分布特征、異常值和變量間關(guān)系；2）能夠直觀展示統(tǒng)計(jì)模型的結(jié)果和假設(shè)檢驗(yàn)的發(fā)現(xiàn)；3）是結(jié)果呈現(xiàn)和報(bào)告的關(guān)鍵手段，便于向他人清晰、有效地傳達(dá)統(tǒng)計(jì)結(jié)論。應(yīng)用場景：1）探索性數(shù)據(jù)分析（EDA），如檢查數(shù)據(jù)分布、識(shí)別異常值、探索變量間相關(guān)性；2）展示統(tǒng)計(jì)推斷結(jié)果，如繪制置信區(qū)間、顯示假設(shè)檢驗(yàn)的P值分布；3）呈現(xiàn)回歸分析或機(jī)器學(xué)習(xí)模型結(jié)果，如繪制擬合曲線、殘差圖、特征重要性圖；4）比較不同群體或類別的統(tǒng)計(jì)指標(biāo)，如箱線圖比較均值差異。二、散點(diǎn)圖主要用于展示兩個(gè)連續(xù)變量之間的相關(guān)關(guān)系和散布模式，可以顯示數(shù)據(jù)的整體趨勢、異常值以及關(guān)系的強(qiáng)度和方向。箱線圖則主要用于展示單個(gè)或多個(gè)分類變量的分布特征，能夠顯示數(shù)據(jù)的五數(shù)概括（最小值、第一四分位數(shù)、中位數(shù)、第三四分位數(shù)、最大值）、中位數(shù)、四分位數(shù)間距以及異常值。使用箱線圖可能比散點(diǎn)圖提供更豐富信息的情況：1）當(dāng)需要比較多個(gè)分類變量下的數(shù)據(jù)中心趨勢（均值/中位數(shù)）和離散程度（四分位數(shù)間距）時(shí)；2）當(dāng)數(shù)據(jù)集中存在大量異常值，箱線圖能更清晰地區(qū)分和展示異常值，而散點(diǎn)圖可能使異常值過于突出或難以識(shí)別數(shù)據(jù)整體模式；3）當(dāng)數(shù)據(jù)本身就是分類變量，箱線圖能直接展示不同類別的分布差異。三、ggplot2包的核心語法結(jié)構(gòu)（GrammarofGraphics）包含以下基本要素：1）數(shù)據(jù)（Data）：可視化的基礎(chǔ)數(shù)據(jù)集。2）地理（Geom）：定義具體的幾何對(duì)象（幾何形狀），即圖表的基本元素，如點(diǎn)（geom_point）、線（geom_line）、柱狀（geom_bar）等。3）映射（Aesthetics）：將數(shù)據(jù)變量映射到幾何對(duì)象的視覺屬性上，如顏色（color）、大小（size）、形狀（shape）、位置（position）等。4）統(tǒng)計(jì)變換（Stat）：對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)變換以生成幾何對(duì)象，如計(jì)算密度（stat_density）、擬合線性模型（stat_smooth）。5）圖層（Layer）：ggplot2圖形是層狀的，通過添加不同的圖層來構(gòu)建復(fù)雜的圖形。6）坐標(biāo)系統(tǒng)（CoordinateSystem）：定義數(shù)據(jù)點(diǎn)在二維空間中的映射方式，如笛卡爾坐標(biāo)（coord_cartesian）、對(duì)數(shù)坐標(biāo)（coord_log）等。7）主題（Theme）：控制圖表的背景、字體、網(wǎng)格線等美學(xué)元素，以調(diào)整圖表的整體外觀。四、我會(huì)選擇折線圖來展示某城市過去十年中各季度居民消費(fèi)價(jià)格指數(shù)（CPI）的變化趨勢。選擇理由：折線圖能夠清晰地展示數(shù)據(jù)隨時(shí)間變化的趨勢和波動(dòng)情況，便于觀察長期趨勢和季節(jié)性模式。如果數(shù)據(jù)中還包含了不同商品類別的CPI信息，我將進(jìn)一步通過以下可視化方式展示類別間的差異：1）創(chuàng)建一個(gè)包含多條折線的組合折線圖，每條折線代表一個(gè)商品類別，可以清晰比較不同類別CPI的趨勢差異和相對(duì)變化。2）創(chuàng)建小多個(gè)圖（SmallMultiples），為每個(gè)商品類別繪制一個(gè)獨(dú)立的、尺度一致的折線圖，便于比較細(xì)節(jié)差異，同時(shí)保持整體時(shí)間框架的一致性。五、數(shù)據(jù)密度圖（DensityPlot）是通過估計(jì)數(shù)據(jù)連續(xù)變量的概率密度函數(shù)來創(chuàng)建的圖形，它展示的是數(shù)據(jù)在不同值上的相對(duì)“密集”程度，而不是像直方圖那樣顯示數(shù)據(jù)頻數(shù)或頻率的離散分組。相較于直方圖的優(yōu)勢：1）更平滑：密度圖通常比直方圖更平滑，減少了由分組邊界選擇引起的偽波動(dòng)，能更好地反映數(shù)據(jù)分布的整體形狀。2）更易比較：當(dāng)需要比較多個(gè)數(shù)據(jù)集的分布形狀時(shí)，密度圖通常比直方圖更易于視覺比較。3）無限分組：密度圖本質(zhì)上是連續(xù)的，避免了直方圖因分組過多或過少而導(dǎo)致的解釋困難。如果需要同時(shí)可視化兩個(gè)連續(xù)變量的概率密度分布，我會(huì)選擇二維直方圖（2DHistogram）或核密度估計(jì)圖（KernelDensityPlot,2D）。二維直方圖通過顏色深淺表示數(shù)據(jù)在二維空間中的密度，核密度估計(jì)圖則提供一個(gè)連續(xù)的二維表面，展示兩個(gè)變量聯(lián)合概率密度的平滑估計(jì)。選擇哪種取決于數(shù)據(jù)的分布范圍和密度。六、如果要比較不同類別之間的中心趨勢（如均值或中位數(shù)），我會(huì)選擇以下常見的圖表類型：1）箱線圖（BoxPlot）：非常適合比較多個(gè)分類變量下的數(shù)據(jù)中心趨勢（中位數(shù)）和離散程度（四分位數(shù)間距），并能顯示異常值。側(cè)重點(diǎn)在于展示中心趨勢和離散度的差異。2）小多個(gè)圖（SmallMultiples）：將每個(gè)類別的數(shù)據(jù)分布圖（如直方圖或密度圖）并排展示，具有相同的尺度，便于比較細(xì)節(jié)差異，側(cè)重點(diǎn)在于保持一致性的比較。3）分組柱狀圖/條形圖（GroupedBarChart/Plot）：如果中心趨勢是均值或頻率，可以用柱狀圖直接比較不同類別的數(shù)值大小，側(cè)重點(diǎn)在于數(shù)值的絕對(duì)比較。它們在展示比較結(jié)果時(shí)的側(cè)重點(diǎn)不同：箱線圖側(cè)重于分布的中心位置和離散性；小多個(gè)圖側(cè)重于保持一致性的細(xì)節(jié)比較；分組柱狀圖側(cè)重于數(shù)值大小的直接比較。七、在使用Python的Matplotlib或Seaborn庫進(jìn)行數(shù)據(jù)可視化時(shí)，為圖表添加必要標(biāo)簽的方法和作用：1）標(biāo)題（Title）：使用`plt.title()`(Matplotlib)或`ax.set_title()`(Seaborn/Axes-level)。作用：提供圖表的概括性描述，說明圖表的主題或核心信息。2）坐標(biāo)軸標(biāo)簽（AxisLabels）：使用`plt.xlabel()`和`plt.ylabel()`(Matplotlib)或`ax.set_xlabel()`和`ax.set_ylabel()`(Seaborn/Axes-level)。作用：標(biāo)明橫軸和縱軸代表的變量名稱及其單位（如果適用），使觀眾理解圖表中坐標(biāo)軸的含義。3）圖例（Legend）：使用`plt.legend()`(Matplotlib)或`ax.legend()`(Seaborn/Axes-level)。作用：解釋圖中不同線條、顏色、形狀等視覺元素代表的含義，特別是在包含多個(gè)數(shù)據(jù)系列或多層圖層的圖表中至關(guān)重要。4）刻度標(biāo)簽（TickLabels）：雖然不總是需要手動(dòng)設(shè)置，但確保坐標(biāo)軸刻度標(biāo)簽清晰、合適（如使用`ax.set_xticks()`和`ax.set_yticks()`設(shè)置刻度位置，`ax.set_xticklabels()`和`ax.set_yticklabels()`設(shè)置標(biāo)簽文本）。作用：標(biāo)明坐標(biāo)軸上各個(gè)刻度代表的數(shù)值或類別，是理解數(shù)據(jù)取值范圍的基礎(chǔ)。八、選擇折線圖的主要原因：折線圖能夠直觀地展示時(shí)間序列數(shù)據(jù)隨時(shí)間變化的趨勢、周期性波動(dòng)和整體模式。如果時(shí)間序列數(shù)據(jù)存在明顯的季節(jié)性波動(dòng)，可以在折線圖上進(jìn)行以下調(diào)整或結(jié)合其他圖表類型來更清晰地展示：1）添加趨勢線：使用`seaborn.lineplot`的`estimator='mean'`或`reg`參數(shù)，或Matplotlib的`plot`結(jié)合`numpy.polyfit`，在折線圖上添加移動(dòng)平均線或整體趨勢線，有助于區(qū)分季節(jié)性波動(dòng)和長期趨勢。2）分解圖（DecompositionPlot）：創(chuàng)建一個(gè)包含趨勢、季節(jié)性和殘差（原始數(shù)據(jù)減去趨勢和季節(jié)性）三個(gè)部分的圖表，明確展示各成分。3）小波分析圖：對(duì)于具有復(fù)雜季節(jié)性模式的數(shù)據(jù)，可以使用小波分析等高級(jí)方法可視化不同時(shí)間尺度上的波動(dòng)。4）結(jié)合箱線圖：在折線圖旁邊或下方添加按月份（或季度）分組的箱線圖，展示每個(gè)時(shí)間段內(nèi)部數(shù)據(jù)的分布和離散程度，補(bǔ)充說明季節(jié)性波動(dòng)在不同月份的具體表現(xiàn)。九、我會(huì)如何利用數(shù)據(jù)可視化技術(shù)來展示不同地區(qū)的銷售分布情況：1）地理熱力圖（ChoroplethMap）：使用顏色深淺表示不同地區(qū)（如省、市）的銷售額總量或平均銷售額，適用于展示地區(qū)間的總體差異。2）地圖上的點(diǎn)圖（PointMap）：在地圖上用不同大小或顏色的點(diǎn)表示不同地區(qū)的銷售點(diǎn)或銷售額，直觀展示地理分布和集中區(qū)域。3）散點(diǎn)圖矩陣（ScatterplotMatrix）：如果包含多個(gè)地區(qū)和多個(gè)銷售指標(biāo)（如銷售額、銷售量、利潤），可以使用散點(diǎn)圖矩陣展示不同地區(qū)、不同指標(biāo)之間的關(guān)系?？赡軙?huì)用到的方法選擇原因：地理熱力圖直觀展示區(qū)域總量的差異；點(diǎn)圖強(qiáng)調(diào)銷售點(diǎn)的地理分布和規(guī)模；散點(diǎn)圖矩陣適合多變量關(guān)聯(lián)分析。選擇依據(jù)取決于具體想表達(dá)的核心信息是區(qū)域差異、分布密度還是多指標(biāo)關(guān)聯(lián)。十、應(yīng)對(duì)大規(guī)模數(shù)據(jù)集創(chuàng)建可視化圖表時(shí)可能遇到的性能問題，可以采取以下策略：1）數(shù)據(jù)抽樣（DataSampling）：對(duì)原始數(shù)據(jù)進(jìn)行隨機(jī)抽樣或使用分層抽樣獲取代表性子集進(jìn)行可視化，犧牲一定的精度換取性能。適用于分布相對(duì)均勻的數(shù)據(jù)。2）數(shù)據(jù)聚合（DataAggregation）：對(duì)數(shù)據(jù)進(jìn)行匯總統(tǒng)計(jì)（如計(jì)算每個(gè)區(qū)域的均值、計(jì)數(shù)或分箱），使用聚合后的數(shù)據(jù)創(chuàng)建圖表，顯著減少數(shù)據(jù)點(diǎn)數(shù)量。適用于需要展示宏觀趨勢而非細(xì)節(jié)的場景。3）使用專用可視化庫/工具：選擇針對(duì)大數(shù)據(jù)優(yōu)化的可視化庫（如D3.js的某些擴(kuò)展、ApacheSuperset、Tableau的特定設(shè)置），這些工具通常有內(nèi)部機(jī)制處理大規(guī)模數(shù)據(jù)。4）異步加載/分塊渲染（AsynchronousLoading/ChunkRendering）：對(duì)于交互式可視化，只加載用戶當(dāng)前需要查看的數(shù)據(jù)部分，或按需加載數(shù)據(jù)，避免一次性渲染大量數(shù)據(jù)。十一、交互式可視化是指允許用戶通過操作（如鼠標(biāo)點(diǎn)擊、拖拽、縮放、篩選等）來主動(dòng)探索和交互數(shù)據(jù)，從而動(dòng)態(tài)獲取信息或調(diào)整視圖的可視化方式。常見的交互式可視化交互方式：1）縮放（Zooming）：允許用戶放大或縮小視圖，查看數(shù)據(jù)在更細(xì)致或更宏觀層面的細(xì)節(jié)。2）篩選/鉆?。‵iltering/DrillingDown）：允許用戶選擇特定的數(shù)據(jù)子集進(jìn)行查看，或從概覽層面深入到更具體的細(xì)節(jié)層面（如選擇特定年份查看季度數(shù)據(jù)）。3）排序（Sorting）：允許用戶根據(jù)某個(gè)變量的值對(duì)數(shù)據(jù)點(diǎn)或類別進(jìn)行排序。4）工具提示/彈出窗口（Tooltips/Pop-ups）：鼠標(biāo)懸停在數(shù)據(jù)點(diǎn)上方時(shí)，顯示該點(diǎn)的詳細(xì)數(shù)值或信息。5）聯(lián)動(dòng)（Linking）：在一個(gè)圖表的交互（如篩選）會(huì)自動(dòng)更新其他關(guān)聯(lián)圖表的顯示內(nèi)容。交互式可視化相比靜態(tài)可視化的優(yōu)勢：1）更強(qiáng)的探索性：用戶可以根據(jù)自己的興趣和疑問主動(dòng)探索數(shù)據(jù)，發(fā)現(xiàn)隱藏的模式和關(guān)系。2）更佳的信息傳遞：通過交互，可以更精確、有針對(duì)性地展示信息，減少靜態(tài)圖可能帶來的干擾。3）提升用戶體驗(yàn)：用戶參與感更強(qiáng)，可以更深入、個(gè)性化地理解數(shù)據(jù)。十二、在數(shù)據(jù)可視化過程中，避免創(chuàng)建具有誤導(dǎo)性的圖表的原則或建議：1）保持比例準(zhǔn)確：確保圖表的縱橫軸比例、數(shù)據(jù)點(diǎn)間距等準(zhǔn)確反映數(shù)據(jù)關(guān)系，避免使用壓縮或拉伸的坐標(biāo)軸來夸大差異。使用等距刻度，除非有特定理由使用對(duì)數(shù)或其他非線性尺度。2）清晰標(biāo)注：所有圖表元素（標(biāo)題、坐標(biāo)軸標(biāo)簽、單位、圖例、數(shù)據(jù)來源）都應(yīng)清晰、準(zhǔn)確、完整，避免使用模糊或誤導(dǎo)性的標(biāo)簽。3）選擇合適的圖表類型：根據(jù)要傳達(dá)的信息和數(shù)據(jù)的性質(zhì)選擇最合適的圖表類型，避免使用不恰當(dāng)?shù)膱D表（如用三維柱狀圖夸大體積感，或用餅圖展示過多類別導(dǎo)致信息混亂）。4）透明報(bào)告數(shù)據(jù)：完整報(bào)告數(shù)據(jù)的統(tǒng)計(jì)摘要（如均值、標(biāo)準(zhǔn)差、樣本量），而不僅僅是展示圖表，讓受眾有更全面的信息基礎(chǔ)。5）避免不必要的裝飾：去除不必要的網(wǎng)格線、背景圖案、動(dòng)畫效果等，保持圖表簡潔，突出數(shù)據(jù)本身。6）明確說明統(tǒng)計(jì)方法：如果圖表基于統(tǒng)計(jì)推斷（如置信區(qū)間、顯著性檢驗(yàn)），應(yīng)明確說明所使用的統(tǒng)計(jì)方法和結(jié)果。十三、將一個(gè)復(fù)雜的統(tǒng)計(jì)模型的結(jié)果（例如包含多個(gè)自變量和交互項(xiàng)的回歸分析結(jié)果）通過數(shù)據(jù)可視化的方式進(jìn)行有效展示：1）特征重要性圖：如果模型是機(jī)器學(xué)習(xí)模型，可以使用條形圖或點(diǎn)圖展示不同特征對(duì)預(yù)測結(jié)果的貢獻(xiàn)度（重要性）。2）部分依賴圖（PartialDependencePlot,PDP）：展示在控制其他變量不變的情況下，單個(gè)自變量對(duì)預(yù)測結(jié)果的影響趨勢。對(duì)于包含交互項(xiàng)的模型，PDP可以展示交互效應(yīng)。3）冰箱圖（IcePlot）：類似于PDP，但展示的是在不同自變量值下，整個(gè)數(shù)據(jù)分布的響應(yīng)變化，比PDP能提供更豐富的信息。4）交互效應(yīng)圖：使用散點(diǎn)圖、散點(diǎn)圖矩陣或條件圖展示自變量之間的交互效應(yīng)。例如，繪制一個(gè)散點(diǎn)圖，其中顏色或形狀表示第三個(gè)變量的不同水平，觀察兩個(gè)自變量關(guān)系如何隨第三個(gè)變量變化。5）預(yù)測結(jié)果與實(shí)際值對(duì)比圖：繪制殘差圖（預(yù)測值vs實(shí)際值）或擬合線圖（數(shù)據(jù)點(diǎn)vs模型預(yù)測值），評(píng)估模型擬合效果。展示原則：選擇能清晰傳達(dá)模型核心發(fā)現(xiàn)（如哪些變量重要、變量間如何交互、模型擬合好壞）的圖表組合；確保圖表易于理解，包含必要的標(biāo)簽和注釋；向觀眾解釋圖表含義與模型結(jié)果的關(guān)聯(lián)。十四、比較熱力圖（Heatmap）和散點(diǎn)圖矩陣（ScatterplotMatrix）在多變量數(shù)據(jù)分析中的應(yīng)用場景和側(cè)重點(diǎn)：應(yīng)用場景：兩者都用于同時(shí)可視化多個(gè)變量之間的關(guān)系。側(cè)重點(diǎn)不同：1）熱力圖（Heatmap）：主要用于展示兩個(gè)變量在多個(gè)類別或分組上的數(shù)值分布密度或統(tǒng)計(jì)量（如相關(guān)性矩陣）。它通過顏色的強(qiáng)度表示數(shù)值的大小，適合快速識(shí)別變量間是否存在關(guān)聯(lián)、強(qiáng)關(guān)聯(lián)以及關(guān)聯(lián)的方向（正/負(fù)）。側(cè)重點(diǎn)在于矩陣形式的關(guān)聯(lián)強(qiáng)度可視化和類別/分組比較。2）散點(diǎn)圖矩陣（ScatterplotMatrix）：用于展示多個(gè)連續(xù)變量兩兩之間的關(guān)系。它由一系列并排的散點(diǎn)圖組成，每個(gè)圖展示一對(duì)變量之間的關(guān)系。適合深入探索連續(xù)變量間的線性或非線性模式、異常值以及變量間的分組結(jié)構(gòu)（如果數(shù)據(jù)