1. 探索 變數 相關性
確定 兩個 變數 是否 同步 變化，為 後續 建模 （如 迴歸 分析）提供 基礎。
2. 檢測 數據 分佈 模式
識別 線性、指數、對數 及 其他 關係 類型。例如，人口 增長 與 時間 可能 呈現 指數 分佈，而 車速 與 燃油 消耗 可能 呈現 U型 關係。
3. 識別 異常值 和 異常 數值
異常值 可能 影響 模型 準確性，需 進一步 調查 （如 數據 輸入 錯誤 或 特殊 事件）。
4. 比較 多組 數據 間的 差異
使用 群組 標籤 （如 不同 顏色）比較 不同 群組 間 變數 關係 的 差異（如 不同 年齡 群組）。

1. 觀察 整體 分佈 模式
線性 趨勢：點 分佈 呈 對角線 向上 或 向下，如 身高 與 體重。
非線性 趨勢：點 分佈 呈 曲線，如 車速 與 燃油 消耗。
無 相關性：點 隨機 散佈，如 身高 與 鞋號（控制 年齡 後）。
2. 識別 異常值 和 異常 數值
檢查 偏離 整體 分佈 的 點，確定 是否 為 數據 錯誤 或 特殊 情況。例如，分析 房價 與 面積 關係時，小 面積 高 房價 的 地點 可能 在 市中心。

1. 分析 變數 相關性，如 廣告 投資 與 銷售 是否 同步 增減，快速 判斷 正/負 相關 或 無 相關。

2. 檢測 數據 分佈 模式，如 識別 非線性 關係（如 車速 與 燃油 消耗 間的 U型 曲線）或 異常值（如 小 而 高價 的 異常值）。

3. 進行 多組 比較 分析，通過 顏色/形狀 區分 群組（如 男女 身高體重 分佈 差異），協助 市場 細分 研究。

4. 驗證 迴歸 模型，檢查 變數 是否 符合 線性 假設，避免 模型 偏差。

散佈圖 與 氣泡圖 的 主要 區別 在於 變數 顯示 維度 和 視覺 表達。散佈圖 使用 二維 坐標系 顯示 兩個 變數 （X, Y）之間的 關係。每個 點 僅代表 一對 值。它們 側重 於 分析 變數 之間的 相關性、趨勢 或 異常值，適合 探索 基本 關係。而 氣泡圖 則 引入 第三 個 變數，通過 氣泡 的 大小（或 顏色）編碼 值，實現 三個 變數 的 同時 分析。