随着横坐标逐渐的增大，也是逐渐增大，是就是正相关。如果不是并且相反就是负相关。
分以下几种情况：
1、无明显关系，散点比较散乱。
2、线性相关。可以大概的看出散点大概的排列在一条直线上下。
3、非线性相关。一般有指数相关，对数相关等。需要将数值转换为指数形式或者对数形式，重新制作散点图确认。
散点图的用途：
散点图通常用于显示和比较数值，例如科学数据、统计数据和工程数据。
当要在不考虑时间的情况下比较大量数据点时，请使用散点图。散点图中包含的数据越多，比较的效果就越好。
对于处理值的分布和数据点的分簇，散点图都很理想。如果数据集中包含非常多的点（例如，几千个点），那么散点图便是最佳图表类型。在点状图中显示多个序列看上去非常混乱，这种情况下，应避免使用点状图，而应考虑使用折线图。
默认情况下，散点图以圆圈显示数据点。如果在散点图中有多个序列，请考虑将每个点的标记形状更改为方形、三角形、菱形或其他形状。
在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
散点图的分类：
1、ArcGIS散点图
散点图使用数据值作为 x,y 坐标来绘制点。它可以揭示格网上所绘制的值之间的关系，还可以显示数据的趋势。当存在大量数据点时，散点图的作用尤为明显。散点图与折线图相似，而不同之处在于折线图通过将点或数据点相连来显示每一个变化。
2、三维散点图
在散点图矩阵中虽然可以同时观察多个变量间的联系，但是两两进行平面散点图的观察的，有可能漏掉一些重要的信息。
本回答被网友采纳随着横坐标逐渐的增大，也是逐渐增大，是就是正相关。如果不是并且相反就是负相关。
分以下几种情况：
1、无明显关系，散点比较散乱。
2、线性相关。可以大概的看出散点大概的排列在一条直线上下。
3、非线性相关。一般有指数相关，对数相关等。需要将数值转换为指数形式或者对数形式，重新制作散点图确认。
散点图的分类：
1、散点图矩阵
当欲同时考察多个变量间的相关关系时，若一一绘制它们间的简单散点图，十分麻烦。此时可利用散点图矩阵来同时绘制各自变量间的散点图，这样可以快速发现多个变量间的主要相关性，这一点在进行多元线性回归时显得尤为重要。
2、三维散点图
在散点图矩阵中虽然可以同时观察多个变量间的联系，但是两两进行平面散点图的观察的，有可能漏掉一些重要的信息。三维散点图就是在由3个变量确定的三维空间中研究变量之间的关系，由于同时考虑了3个变量，常常可以发现在两维图形中发现不了的信息。
本回答被网友采纳