1.散点图：基于ggplot内置数据mtcars，以mpg列为横坐标，以wt列为纵坐标，以cyl列分组控制颜色，绘制散点图，点的形状为三角形，大小为150，图的标题为“MPG VS WT”。
from ggplot import *
data = ggplot(mtcars,aes(x='mpg',y='wt',color='factor(cyl)'))
geom =geom_point(size=150,shape='^')
title = ggtitle('MPG VS WT')
print (data+ geom +title)
2.统计平滑线：基于ggplot内置数据meat，以date作为横轴，以beef作为纵轴，绘制散点图和线性回归的平滑线，x轴的刻度格式化为“年-月-日“。
from ggplot import *
print(meat.head())
p = ggplot(meat, aes(x="date", y="beef")) \
+ geom_point() \
+ stat_smooth(method="lm", linetype="dashed", size=3, color="red", alpha=.7) \
+ scale_x_date(labels="%Y-%m") \
+ labs("x", "y", "title")
print(p)
3.使用sklearn中的波士顿房价数据集，绘制散点图分析一氧化氮浓度NOX与房价的关联性，周边高速公路便利性RAD与房价的关联性，图中需加入回归线，给出你的分析结论。
p = ggplot(df, aes(x="NOX", y="price")) \
+ geom_point(size=100, color="red", shape="^") \
+ stat_smooth(method="lm", linetype="dashed", size=3, color="red", alpha=.7) \
+ theme(axis_title_x=element_text("一氧化碳浓度", size=20, color="r"),
axis_title_y=element_text("房价", size=20, color="b"), title=element_text("关联性分析", color="black", size=40))
分析结论：一氧化碳浓度与房价呈负相关关系，随一氧化碳浓度的升高房价逐渐降低。
p = ggplot(df, aes(x="RAD", y="price")) \
+ geom_point(size=100, color="red", shape="^") \
+ stat_smooth(method="lm", linetype="dashed", size=3, color="red", alpha=.7) \
+ theme(axis_title_x=element_text("周边高速公路便利性", size=20, color="r"),
axis_title_y=element_text("房价", size=20, color="b"), title=element_text("关联性分析", color="black", size=40))
结论：在便利性低的地方房屋居住多，房价贵，随着便利性的逐渐增强，居于一般便利性的地方房屋居住少，便利性更高的地方房屋居住率开始恢复。但是便利性与房价仍然是负相关的关系。