目錄

1. 直方圖、箱線圖和密度圖

1.1 直方圖

1.2 箱線圖

1.3 密度圖

2. 正態(tài)分布

3. 偏度和峰度

結(jié)論

1. 直方圖、箱線圖和密度圖

直方圖、箱線圖和密度圖是數(shù)據(jù)分析中十分常用的圖形。它們可以幫助我們更好地理解數(shù)據(jù)的分布情況，從而更好地進(jìn)行數(shù)據(jù)分析和處理。在這篇博客中，我們將介紹它們的基本原理、用途以及如何在Python中使用代碼來實現(xiàn)。

1.1 直方圖

直方圖是一種常用的數(shù)據(jù)分布圖，它將數(shù)據(jù)分成若干個區(qū)間，然后統(tǒng)計每個區(qū)間內(nèi)數(shù)據(jù)的個數(shù)。通常情況下，直方圖的橫軸表示數(shù)據(jù)范圍，縱軸表示數(shù)據(jù)出現(xiàn)的頻數(shù)或者頻率。直方圖適用于連續(xù)性數(shù)據(jù)的分布情況。

下面是Python繪制直方圖的代碼，使用的是matplotlib庫：

import matplotlib.pyplot as plt
import numpy as np

# 生成一組隨機數(shù)據(jù)
data = np.random.randn(1000)

# 繪制直方圖
plt.hist(data, bins=30, density=True, alpha=0.5,
         histtype='stepfilled', color='steelblue',
         edgecolor='none')
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

其中，np.random.randn(1000)生成了1000個標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)，plt.hist()函數(shù)用于繪制直方圖，bins表示將數(shù)據(jù)分成的區(qū)間數(shù)量，density表示是否對頻數(shù)進(jìn)行歸一化，alpha表示透明度，histtype表示直方圖的類型，color表示填充顏色，edgecolor表示邊框顏色。最后使用plt.show()函數(shù)顯示圖形。

在上面的代碼中，我們設(shè)置了density=True，這樣直方圖的縱軸就表示概率密度，而不是頻數(shù)。如果需要繪制頻數(shù)直方圖，只需要將density設(shè)置為False即可。

1.2 箱線圖

箱線圖是用于展示數(shù)據(jù)分布情況的一種圖形，它由五個數(shù)值點組成：最小值、最大值、中位數(shù)、上四分位數(shù)和下四分位數(shù)。箱子的長度表示數(shù)據(jù)的四分位距，箱子內(nèi)的線表示數(shù)據(jù)的中位數(shù)，箱子外的點表示離群值。箱線圖適用于離散性數(shù)據(jù)的分布情況。

下面是Python繪制箱線圖的代碼，使用的是matplotlib庫：

import matplotlib.pyplot as plt
import numpy as np

# 生成一組隨機數(shù)據(jù)
data = np.random.randn(1000)

# 繪制箱線圖
plt.boxplot(data, notch=False, vert=True, showfliers=True,
            labels=None, flierprops=None, medianprops=None,
            meanprops=None, whiskerprops=None, capprops=None,
            boxprops=None)

plt.title('Box Plot')
plt.xlabel('Value')
plt.ylabel('Frequency')

plt.show()

其中，data為一組隨機數(shù)據(jù)，plt.boxplot()函數(shù)用于繪制箱線圖，notch表示是否繪制缺口，vert表示箱線圖的方向，showfliers表示是否繪制離群值，labels表示箱線圖標(biāo)簽，flierprops表示離群值的屬性，medianprops表示中位數(shù)的屬性，meanprops表示均值的屬性，whiskerprops表示虛線的屬性，capprops表示橫線的屬性，boxprops表示箱體的屬性。最后使用plt.show()函數(shù)顯示圖形。

在上面的代碼中，我們設(shè)置了showfliers=True，這樣箱線圖中會顯示離群值。如果需要隱藏離群值，只需要將showfliers設(shè)置為False即可

1.3 密度圖

密度圖是用于展示數(shù)據(jù)分布情況的一種圖形，它是對直方圖的一種平滑版本。它的縱軸并不是頻數(shù)或頻率，而是概率密度。密度圖適用于連續(xù)性數(shù)據(jù)的分布情況。密度圖也可以配合直方圖一起繪制，以更好地理解數(shù)據(jù)的分布情況。

下面是Python繪制密度圖的代碼，使用的是seaborn庫：

import seaborn as sns
import numpy as np

# 生成一組隨機數(shù)據(jù)
data = np.random.randn(1000)

# 繪制密度圖
sns.kdeplot(data, shade=True)

# 顯示圖形
plt.title('Density Plot')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()

其中，data為一組隨機數(shù)據(jù)，sns.kdeplot()函數(shù)用于繪制密度圖，shade表示是否填充顏色。最后使用plt.show()函數(shù)顯示圖形。

密度圖的優(yōu)點是可以更準(zhǔn)確地表達(dá)數(shù)據(jù)分布情況，而不會受到分組的影響。同時，使用密度圖可以更好地理解數(shù)據(jù)分布的形狀，例如是否對稱、是否有峰值等等。

2. 正態(tài)分布

正態(tài)分布是一種常見的概率分布。在實際的數(shù)據(jù)分析中，很多數(shù)據(jù)都符合正態(tài)分布。因此，理解正態(tài)分布的基本原理和性質(zhì)對于數(shù)據(jù)分析非常重要。在這篇博客中，我們將介紹正態(tài)分布的基本概念、性質(zhì)和應(yīng)用，并且使用Python代碼來生成和可視化正態(tài)分布。

下面是Python繪制正態(tài)分布圖的代碼，使用的是matplotlib庫：

import matplotlib.pyplot as plt
import numpy as np

# 生成一組符合標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)據(jù)
data = np.random.randn(1000)

# 繪制正態(tài)分布圖
plt.hist(data, bins=30, density=True, alpha=0.5,
         histtype='stepfilled', color='steelblue',
         edgecolor='none')

# 繪制正態(tài)分布曲線
mu, sigma = data.mean(), data.std()
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 100)
plt.plot(x, 1/(sigma * np.sqrt(2 * np.pi)) * np.exp(- (x - mu)**2 / (2 * sigma**2)),
         linewidth=2, color='r')
plt.title('Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Probability Density')
plt.show()

其中，np.random.randn(1000)生成了1000個標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)，使用plt.hist()函數(shù)繪制數(shù)據(jù)的直方圖，bins表示將數(shù)據(jù)分成的區(qū)間數(shù)量，density表示是否對頻數(shù)進(jìn)行歸一化，alpha表示透明度，histtype表示直方圖的類型，color表示填充顏色，edgecolor表示邊框顏色。使用plt.plot()函數(shù)繪制正態(tài)分布曲線，mu和sigma分別表示數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，x為一組等間隔的數(shù)值，1/(sigma * np.sqrt(2 * np.pi)) * np.exp(- (x - mu)**2 / (2 * sigma**2))表示標(biāo)準(zhǔn)正態(tài)分布的概率密度函數(shù)。最后使用plt.show()函數(shù)顯示圖形。

在上面的代碼中，我們將正態(tài)分布曲線繪制在了直方圖上方，這樣可以更好地描述數(shù)據(jù)分布的形態(tài)。

3. 偏度和峰度

偏度和峰度是用于描述數(shù)據(jù)分布形態(tài)的兩個重要指標(biāo)。通過偏度和峰度的計算，我們可以更準(zhǔn)確地描述數(shù)據(jù)的分布情況，從而更好地進(jìn)行數(shù)據(jù)分析。在這篇博客中，我們將介紹偏度和峰度的概念、計算方法和應(yīng)用，并且使用Python代碼來計算和可視化偏度和峰度。

偏度和峰度是用于描述數(shù)據(jù)分布形態(tài)的兩個重要指標(biāo)。偏度描述的是數(shù)據(jù)分布的不對稱程度，通常用于判斷數(shù)據(jù)分布是否為正態(tài)分布。如果偏度為0，則數(shù)據(jù)分布為對稱分布；如果偏度大于0，則數(shù)據(jù)分布右偏；如果偏度小于0，則數(shù)據(jù)分布左偏。峰度描述的是數(shù)據(jù)分布的峰態(tài)，即分布的陡峭程度。峰度為0表示正態(tài)分布，峰度大于0表示分布比正態(tài)分布更陡峭，峰度小于0表示分布比正態(tài)分布更平緩。

import numpy as np
from scipy.stats import kurtosis, skew
import matplotlib.pyplot as plt

# 生成一組隨機數(shù)據(jù)
data = np.random.randn(1000)

# 計算偏度和峰度
sk = skew(data)
ku = kurtosis(data)

# 繪制直方圖
plt.hist(data, bins=30, density=True, alpha=0.5,
         histtype='stepfilled', color='steelblue',
         edgecolor='none')
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')

plt.text(1, 0.8, 'Skewness={:.2f}'.format(sk))
plt.text(1, 0.7, 'Kurtosis={:.2f}'.format(ku))

plt.show()

其中，skew(data)和kurtosis(data)函數(shù)分別用于計算數(shù)據(jù)的偏度和峰度。最后使用plt.text()函數(shù)在圖形上方添加偏度和峰度的數(shù)值。

在上面的代碼中，我們使用了scipy庫中的kurtosis和skew函數(shù)來計算偏度和峰度。如果需要計算樣本的偏度和峰度，可以使用bias=False參數(shù)。

通過偏度和峰度的計算，我們可以更準(zhǔn)確地描述數(shù)據(jù)的分布情況，從而更好地進(jìn)行數(shù)據(jù)分析。

結(jié)論

數(shù)據(jù)分布的可視化是數(shù)據(jù)分析中非常重要的一部分。通過本篇博客，我們介紹了直方圖、箱線圖、密度圖、正態(tài)分布、偏度和峰度的基本原理、用途以及如何在Python中使用代碼來實現(xiàn)。希望讀者可以通過本篇博客更好地理解數(shù)據(jù)的分布情況，從而更好地進(jìn)行數(shù)據(jù)分析。

文章來源地址http://www.zghlxwxcb.cn/news/detail-703725.html

到了這里，關(guān)于python數(shù)據(jù)可視化玩轉(zhuǎn)Matplotlib直方圖、箱型圖、密度圖、正態(tài)分布、偏度和峰度的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！