Python數(shù)據(jù)可視化案例教程全課導航項目1搭建數(shù)據(jù)可視化開發(fā)平臺項目2

Python數(shù)據(jù)可視化基礎項目3比較型數(shù)據(jù)可視化項目5關聯(lián)型數(shù)據(jù)可視化項目4分布型數(shù)據(jù)可視化項目6比例型數(shù)據(jù)可視化項目7時間型數(shù)據(jù)可視化項目8文本型數(shù)據(jù)可視化項目9地理空間型數(shù)據(jù)可視化項目10點評網站美食店鋪數(shù)據(jù)可視化項目4

分布型數(shù)據(jù)可視化知識目標了解分布型數(shù)據(jù)的概念及應用場景。了解直方圖、箱形圖、密度圖和小提琴圖的概念及應用。掌握使用seaborn繪制直方圖、箱形圖、密度圖和小提琴圖的方法。技能目標能使用直方圖、箱形圖、密度圖和小提琴圖對分布型數(shù)據(jù)進行可視化和分析。素養(yǎng)目標培養(yǎng)實踐能力，在實踐中學習、在學習中實踐。強化身體健康安全意識，敬畏生命、珍惜生命。項目目標分布型數(shù)據(jù)可視化常用于呈現(xiàn)和探索數(shù)據(jù)的分布情況，幫助用戶了解數(shù)據(jù)的集中趨勢、離散程度、偏態(tài)和峰度等特征，以及發(fā)現(xiàn)數(shù)據(jù)中的異常值和離群點。分布型數(shù)據(jù)可視化可以應用于許多場景，如市場研究、環(huán)境監(jiān)測、人口統(tǒng)計等。本項目將基于某高校一年級學生的體質指數(shù)實現(xiàn)分布型數(shù)據(jù)可視化。項目描述按照項目要求，將“某高校一年級學生體質指數(shù).xlsx”文件中的數(shù)據(jù)進行可視化的方法如下。（1）使用直方圖實現(xiàn)不同體質指數(shù)區(qū)間學生數(shù)量可視化。首先新建Python文件；然后編寫代碼，實現(xiàn)從數(shù)據(jù)源中讀取數(shù)據(jù)，使用seaborn繪制不同體質指數(shù)區(qū)間學生數(shù)量直方圖；最后對圖表進行分析。（2）使用小提琴圖實現(xiàn)不同性別學生體質指數(shù)可視化。首先新建Python文件；然后編寫代碼，實現(xiàn)從數(shù)據(jù)源中讀取數(shù)據(jù)，使用seaborn繪制不同性別學生體質指數(shù)小提琴圖；最后對圖表進行分析。項目分析為了更好地實現(xiàn)某高校一年級學生體質指數(shù)可視化，本項目將對相關知識進行介紹，包括分布型數(shù)據(jù)的概念及應用場景，直方圖、箱形圖、密度圖和小提琴圖的概念及應用，以及使用seaborn繪制這些圖表的方法。項目分析全班學生以3～5人為一組，各組選出組長。組長組織組員掃碼觀看“常見的分布型數(shù)據(jù)及可視化圖表”視頻，討論并回答下列問題。問題1：列舉生活中常見的分布型數(shù)據(jù)。問題2：列舉常見的分布型數(shù)據(jù)可視化圖表。項目準備常見的分布型數(shù)據(jù)及可視化圖表4.1

什么是分布型數(shù)據(jù)4.2

直方圖項目實施——某高校一年級學生體質指數(shù)可視化項目導航4.3

箱形圖4.4

密度圖4.5

小提琴圖4.1

什么是分布型數(shù)據(jù)4.1什么是分布型數(shù)據(jù)分布型數(shù)據(jù)主要是指用于描述數(shù)據(jù)值在某個范圍內分布情況的數(shù)據(jù)?？梢允沁B續(xù)型的分布型數(shù)據(jù)可以是離散型的如身高、體重等如人口、性別等4.1什么是分布型數(shù)據(jù)與確定性數(shù)據(jù)相比，分布型數(shù)據(jù)具有一定的隨機性和不確定性?？梢越沂緮?shù)據(jù)的規(guī)律、趨勢和模式通過對分布型數(shù)據(jù)進行統(tǒng)計描述和可視化分析用于后續(xù)的數(shù)據(jù)建模、預測和決策分布型數(shù)據(jù)可視化常用的圖表直方圖箱形圖密度圖小提琴圖4.1什么是分布型數(shù)據(jù)對分布型數(shù)據(jù)進行統(tǒng)計描述和可視化分析有什么作用？分布型數(shù)據(jù)可視化常用的圖表有哪些？課堂檢測什么是分布型數(shù)據(jù)課堂小結4.2

直方圖4.2直方圖直方圖是一種將數(shù)據(jù)的值劃分為若干個等寬、不重疊的區(qū)間，并統(tǒng)計每個區(qū)間內數(shù)據(jù)數(shù)量或分布概率的圖表，它可以表示數(shù)據(jù)的分布情況，如不同成績區(qū)間的學生數(shù)量分布、不同年齡區(qū)間的員工數(shù)量分布等。直方圖是一個連續(xù)變量的概率分布估計，因此它還可以用于分析數(shù)據(jù)是否符合正態(tài)分布。4.2直方圖數(shù)據(jù)所屬的區(qū)間區(qū)間對應數(shù)據(jù)的數(shù)量或占比使用直方圖實現(xiàn)某餐廳不同消費金額區(qū)間消費次數(shù)可視化?！纠?-1】

本案例基于“某餐廳顧客消費記錄.xlsx”文件中的數(shù)據(jù)，使用seaborn的histplot()函數(shù)繪制直方圖。函數(shù)中，x為“消費金額（元）”列標簽，顏色映射hue為“顧客類型”列標簽，data為讀取的DataFrame格式的數(shù)據(jù)，矩形柱的個數(shù)bins為15，直方圖類型multiple為“stack”（堆積直方圖）?！締栴}分析】4.2直方圖提示由于繪制圖表的步驟基本一致，案例和項目實施不再詳細講解步驟，只分析重點。importpandasaspd#導入pandas庫#導入matplotlib庫中的pyplot模塊importmatplotlib.pyplotaspltimportseabornassns#導入seaborn庫df=pd.read_excel(‘某餐廳顧客消費記錄.xlsx’)#讀取數(shù)據(jù)plt.figure(figsize=(8，

4))#創(chuàng)建畫布并設置畫布大小#設置圖表樣式，包括樣式主題和中文字體sns.set_style(style=‘darkgrid’，

rc={‘font.sans-serif’:‘SimHei’})【參考代碼】使用直方圖實現(xiàn)某餐廳不同消費金額區(qū)間消費次數(shù)可視化。【例4-1】

4.2直方圖sns.set_palette(‘colorblind’)#設置顏色主題#繪制直方圖sns.histplot(x=‘消費金額（元）’，

hue=‘顧客類型’，data=df，bins=15，

multiple=‘stack’)plt.title(‘某餐廳不同消費金額區(qū)間消費次數(shù)直方圖’)#設置圖表標題plt.ylabel(‘消費次數(shù)’)#設置y軸標題plt.show()#顯示圖表【參考代碼】使用直方圖實現(xiàn)某餐廳不同消費金額區(qū)間消費次數(shù)可視化?！纠?-1】

4.2直方圖【運行結果】【結果分析】會員和普通顧客的消費次數(shù)相差不大，單次消費金額小于200元的消費次數(shù)居多，單次消費金額都小于1000元。使用直方圖實現(xiàn)某餐廳不同消費金額區(qū)間消費次數(shù)可視化?！纠?-1】

4.2直方圖使用什么函數(shù)繪制直方圖？課堂檢測直方圖課堂小結4.3

箱形圖4.3箱形圖箱形圖可以顯示一組數(shù)據(jù)的最大值、最小值、中位數(shù)和上下四分位數(shù)等統(tǒng)計指標，還可以通過上限值和下限值檢測異常值，任何高于上限值或低于下限值的數(shù)據(jù)都可以認為是異常值。4.3箱形圖其中，上下限值由上下四分位數(shù)及上下限值與上下四分位數(shù)的距離決定。例如，使用Q1和Q3分別表示下四分位數(shù)和上四分位數(shù)，上下限值與上下四分位數(shù)的距離取1.5，則上限值=Q3+(Q3-Q1)*1.5，下限值=Q1-(Q3-Q1)*1.5。4.3箱形圖箱形圖不受異常值的影響，能夠以一種相對穩(wěn)定的方式真實、直觀地展示數(shù)據(jù)的分布情況，能粗略地看出數(shù)據(jù)是否具有對稱性及數(shù)據(jù)的離散程度等，特別適用于比較多組數(shù)據(jù)。使用箱形圖實現(xiàn)某餐廳不同分店顧客滿意度可視化。【例4-2】

本案例基于“某餐廳顧客消費記錄.xlsx”文件中的數(shù)據(jù)，使用seaborn

的boxplot()函數(shù)繪制箱形圖。函數(shù)中，x為“分店”列標簽，y為“顧客滿意度”列標簽，data為讀取的DataFrame格式的數(shù)據(jù)，有無凹槽notch為True，上下限值與上下四分位數(shù)的距離whis為0.5，分類變量的顯示順序order為[‘第一分店’，‘第二分店’，‘第三分店’]?！締栴}分析】4.3箱形圖importpandasaspd#導入pandas庫#導入matplotlib庫中的pyplot模塊importmatplotlib.pyplotaspltimportseabornassns#導入seaborn庫df=pd.read_excel(‘某餐廳顧客消費記錄.xlsx’)#讀取數(shù)據(jù)plt.figure(figsize=(8，

4))#創(chuàng)建畫布并設置畫布大小#設置圖表樣式，包括樣式主題和中文字體sns.set_style(style=‘ticks’，

rc={‘font.sans-serif’:‘SimHei’})【參考代碼】使用箱形圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-2】

4.3箱形圖sns.set_palette(sns.color_palette(‘husl’))#設置顏色主題#繪制箱形圖sns.boxplot(x=‘分店’，

y=‘顧客滿意度’，data=df，notch=True，

whis=0.5，

order=[‘第一分店’，

‘第二分店’，

‘第三分店’])plt.title(‘某餐廳不同分店顧客滿意度箱形圖’)#設置圖表標題plt.show()#顯示圖表【參考代碼】使用箱形圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-2】

4.3箱形圖【運行結果】【結果分析】每個箱體都在顧客滿意度較高位置，說明顧客對該餐廳的總體滿意度較高。其中，第一分店和第三分店的總體滿意度相對較高，第二分店的總體滿意度相對較低。此外，第一分店有較少滿意度特別低的記錄，可以重點分析這些消費信息，有助于提升顧客消費體驗。使用箱形圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-2】

4.3箱形圖什么樣的數(shù)據(jù)可以認為是異常值？使用什么函數(shù)繪制箱形圖？課堂檢測箱形圖課堂小結4.4

密度圖4.4密度圖密度圖使用平滑曲線來表示數(shù)據(jù)的分布情況，是直方圖的變體。密度圖的峰值反映了數(shù)據(jù)在某個特定值或范圍內的集中程度，峰值越大，則數(shù)據(jù)在該特定值或范圍內的分布越集中。4.4密度圖相比于直方圖，密度圖不受分布區(qū)間數(shù)量的影響，因此可以更加準確地反映數(shù)據(jù)的分布情況。例如，僅4個分布區(qū)間的直方圖所展示的數(shù)據(jù)分布情況，不如20個分布區(qū)間的直方圖準確，然而密度圖不會有這種問題。使用密度圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-3】

本案例基于“某餐廳顧客消費記錄.xlsx”文件中的數(shù)據(jù)，使用seaborn

的kdeplot()函數(shù)繪制密度圖。函數(shù)中，x為“顧客滿意度”列標簽，顏色映射hue為“分店”列標簽，data為導入的DataFrame格式的數(shù)據(jù)，hue變量的顯示順序hue_order為[‘第一分店’，‘第二分店’，‘第三分店’]?！締栴}分析】4.4密度圖【參考代碼】使用密度圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-3】

4.4密度圖importpandasaspd#導入pandas庫#導入matplotlib庫中的pyplot模塊importmatplotlib.pyplotaspltimportseabornassns#導入seaborn庫df=pd.read_excel(‘某餐廳顧客消費記錄.xlsx’)#讀取數(shù)據(jù)plt.figure(figsize=(8，

4))#創(chuàng)建畫布并設置畫布大小#設置圖表樣式，包括樣式主題和中文字體sns.set_style(style=‘ticks’，

rc={‘font.sans-serif’:‘SimHei’})【參考代碼】使用密度圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-3】

4.4密度圖sns.set_palette(sns.color_palette(‘husl’))#設置顏色主題#繪制密度圖sns.kdeplot(x=‘顧客滿意度’，

hue=‘分店’，data=df，

hue_order=[‘第一分店’，

‘第二分店’，

‘第三分店’])plt.title(‘某餐廳不同分店顧客滿意度密度圖’)#設置圖表標題plt.ylabel(‘概率密度’)#設置y軸標題plt.show()#顯示圖表【運行結果】【結果分析】第三分店的顧客滿意度密度圖峰值最靠右，說明顧客對該分店總體滿意度相對較高，而第二分店的顧客滿意度密度圖峰值最靠左，說明顧客對該分店總體滿意度相對較低。使用密度圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-3】

4.4密度圖相比于直方圖，密度圖有什么優(yōu)點？使用什么函數(shù)繪制密度圖？課堂檢測密度圖課堂小結4.5

小提琴圖4.5小提琴圖小提琴圖能同時展示數(shù)據(jù)的分布情況及概率密度，是箱形圖和密度圖的結合體，其內部是箱形圖，外部是密度圖。4.5小提琴圖不僅可以顯示數(shù)據(jù)的統(tǒng)計分位數(shù)小提琴圖結合了箱形圖和密度圖的優(yōu)點還可以顯示數(shù)據(jù)的分布形態(tài)某區(qū)域圖形面積越大，該區(qū)域對應的值附近的分布概率越大。使用小提琴圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-4】

本案例基于“某餐廳顧客消費記錄.xlsx”文件中的數(shù)據(jù)，使用seaborn

的violinplot()函數(shù)繪制小提琴圖。函數(shù)中，x為“分店”列標簽，y為“顧客滿意度”列標簽，data為讀取的DataFrame格式的數(shù)據(jù)，分類變量的顯示順序order為[‘第一分店’，‘第二分店’，‘第三分店’]?！締栴}分析】4.5小提琴圖【參考代碼】importpandasaspd#導入pandas庫#導入matplotlib庫中的pyplot模塊importmatplotlib.pyplotaspltimportseabornassns#導入seaborn庫df=pd.read_excel(‘某餐廳顧客消費記錄.xlsx’)#讀取數(shù)據(jù)plt.figure(figsize=(8，

4))#創(chuàng)建畫布并設置畫布大小#設置圖表樣式，包括樣式主題和中文字體sns.set_style(style=‘ticks’，

rc={‘font.sans-serif’:‘SimHei’})使用小提琴圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-4】

4.5小提琴圖【參考代碼】sns.set_palette(sns.color_palette(‘husl’))#設置顏色主題#繪制小提琴圖sns.violinplot(x=‘分店’，

y=‘顧客滿意度’，data=df，

order=[‘第一分店’，

‘第二分店’，

‘第三分店’])plt.title(‘某餐廳不同分店顧客滿意度小提琴圖’)#設置圖表標題plt.show()#顯示圖表使用小提琴圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-4】

4.5小提琴圖【運行結果】【結果分析】小提琴圖不僅展示了顧客滿意度的統(tǒng)計分位數(shù)，還展示了顧客滿意度的分布情況，與箱形圖和密度圖的分析結果一致。使用小提琴圖實現(xiàn)某餐廳不同分店顧客滿意度可視化?！纠?-4】

4.5小提琴圖小提琴圖有什么優(yōu)點？使用什么函數(shù)繪制小提琴圖？課堂檢測小提琴圖課堂小結項目實施

某高校一年級學生體質指數(shù)可視化某高校一年級學生體質指數(shù)可視化1．直方圖：不同體質指數(shù)區(qū)間學生數(shù)量可視化直方圖：不同體質指數(shù)區(qū)間學生數(shù)量可視化2．小提琴圖：不同性別學生體質指數(shù)可視化某高校一年級學生體質指數(shù)可視化小提琴圖：不同性別學生體質指數(shù)可視化1．實訓目標練習使用seaborn繪制直方圖、箱形圖、密度圖和小提琴圖，實現(xiàn)分布型數(shù)據(jù)可視化。項目實訓2．實訓內容（1）基于“某餐廳顧客消費記錄.xlsx”文件中的數(shù)據(jù)，執(zhí)行以下操作。①使用直方圖實現(xiàn)不同顧客滿意度區(qū)間消費次數(shù)可視化。②使用小提琴圖實現(xiàn)不同類型顧客消費金額可視化。項目實訓項目實訓2．實訓內容（2）基于“某高校一年級學生體質指數(shù).xlsx”文件中的數(shù)據(jù)，執(zhí)行以下操作。①使用箱形圖實現(xiàn)不同性別學生體重可視化。②使用密度圖實現(xiàn)不同性別學生身高可視化。請學生結合本項目的學習情況，對學習成果進行自評和互評（組內成