1. 探索变量相关性
判断两个变量是否同步变化（如温度与冰淇淋销量），为后续建模（如回归分析）提供依据。
2. 检测数据分布模式
识别线性、指数、对数等关系类型。例如，人口增长与时间可能呈指数分布，而汽车速度与油耗可能呈U型关系。
3. 发现异常值与离群点
异常值可能影响模型准确性，需进一步核查原因（如数据录入错误或特殊事件）。
4. 比较多组数据差异
通过分组标记（如不同颜色），对比不同群体（如不同年龄段）的变量关系差异。

1. 观察整体分布模式
线性趋势：点呈斜向上/下分布，如身高与体重。
非线性趋势：点呈曲线分布，如汽车速度与油耗。
无关联：点随机分散，如身高与鞋码（控制年龄后）。
2. 计算相关系数辅助验证
通过皮尔逊相关系数（r）量化变量间线性关系强度（-1≤r≤1）。例如，r=0.8表示强正相关，r=-0.3表示弱负相关。
3. 识别异常值与离群点
检查偏离整体分布的点，确认是否为数据错误或特殊案例。例如，在分析房价与面积的关系时，某个小面积却高房价的点可能是学区房。

1. 分析变量相关性，如广告投入与销售额是否同步增减，快速判断正/负相关或无关联。
2. 检测数据分布模式，如识别非线性关系（如汽车速度与油耗的U型曲线）或异常值（如小面积高房价的离群点）。
3. 多组对比分析，通过颜色/形状区分群体（如男女身高-体重分布差异），辅助细分市场研究。
4. 回归模型验证，检查变量是否满足线性假设，避免模型偏差。

散点图与气泡图的核心区别在于变量展示维度与视觉表达方式。散点图通过二维坐标系展示两个变量（X, Y）的关系，每个点仅表示一对数值，重点在于分析变量间的相关性、趋势或离群点，适用于基础关系探索。气泡图则在散点图基础上引入第三个变量，通过气泡的大小（或颜色深浅）编码数值，实现三变量同步分析。