第3章 探索性数据分析（单因子&对比）与可视化

1、理论铺垫

　Dataframe和Series均适用

　　~集中趋势：均值mean()、中位数median()、与分位数quantile(q=0.25)、众数mode()

　　~离中趋势：标准差std()、方差var()

　　　数据分布：偏态skew()与峰态kurt()、正态分布与三大分布正偏态（mean>median）

　　import scipy.stats as ss

　    正态分布：ss.norm 、卡方分布：ss.chi2 、t分布：ss.chi2、f分布：ss.chi2
　　偏态系数：数据平均值偏离状态的衡量
　　峰态系数：数据分布集中强度的衡量

~ 抽样定理：抽样误差、抽样精度

　　 data.sample(10)  #抽10个

data.sample(frac = 0.001)  #抽样百分比为0.001

2、数据分类

·         定类（类别）：根据事物离散、无差别属性进行的分类，如：名族

·         定序（顺序）：可以界定数据的大小，但不能测定差值：如：收入的低、中、高

·         定距（间隔）：可以界定数据大小的同时，可测定差值，但无绝对零点，如：温度

·         定比（比率）：可以界定数据大小，可测定差值，有绝对零点，如：身高、体重

3、单属性分析

3.1异常值分析

　　离散异常值，连续异常值，常识异常值

3.2对比分析

　　绝对数与相对数（比什么），时间、空间、经验与计划（如何比）

　　　　绝对数比较：绝对的数字的比较，例如：收入

　　　　相对数比较：将几个有联系的指标进联合，构成一个新的数

3.3结构分析

　　各组成部分的分布与规律

3.4分布分析

　　数据分布频率的显式分析

其中seaborn是matplotlib的封装

Seaborn官网： http://seaborn.pydata.org/api.html

（1）柱状图：以纵轴表示数值大小

sns.set_style(style="darkgrid")#style="whitegrid"
sns.set_context(context="poster",font_scale=0.5)
sns.set_palette(sns.color_palette(‘Reds‘))

plt.title(‘SALARY‘)
plt.xlabel(‘salary‘)
plt.ylabel(‘number‘)
#设置横轴的显示
plt.xticks(0.5+np.arange(len(data[‘salary‘].value_counts())),data[‘salary‘].value_counts().index)
#设置横轴显示的最小值是0，最大是4；纵轴显示的最小值是0，最大值是10000
plt.axis([0,4,0,10000])
plt.bar(0.5+np.arange(len(data[‘salary‘].value_counts())),data[‘salary‘].value_counts(),width=0.5)
for x,y in zip(0.5+np.arange(len(data[‘salary‘].value_counts())),data[‘salary‘].value_counts()):
    plt.text(x,y,y,ha="center",va="bottom")#对每一类进行标注，标注的值为y，水平位置是center，垂直位置是bottom
plt.show()

# sns.countplot(x="salary",data=data)
sns.countplot(x="salary",hue= "department",data=data)#多层绘制，例如以部门为分割
plt.show()

原文地址：https://www.cnblogs.com/Cheryol/p/11420763.html