可视化学习笔记3：可视化分布

有时候，显示数据的实际分布情况是最佳选择。分布图可能不是正态的！可能存在异常值，使均值出现严重的偏差。条形图等可以隐藏这些问题。你在一开始探索数据时，也需要查看分布图。

直方图

直方图是将值分组成多个值范围的条形图。例如，假设有一组年龄数据：29 岁、69 岁、44 岁、69 岁、31 岁、43 岁、32 岁、62 岁、8 岁、53 岁。你可以将年龄按每 10 岁分组，然后算出每个年龄范围的人数。如下所示：

直方图示例

从图中可以清晰地看出年龄分布情况。我给出了数据很少的示例，但是假设有成百上千个数据点。除非使用直方图，否则无法显示数据分布情况。

值的范围通常称为组距，将数据分组的过程称为分组。明显我对数据进行了分组用的是动词形式。要学会使用正确的术语，这样才能与其他分析师交流。

你将经常用到直方图来可视化连续变量的分布情况。但是，你需要了解一些信息。组距和界点的位置会显著影响到分布图的外观。

分组有个不错的属性，即对直条中的数据求平均值，这样可以减少干扰，但是如果组距太宽，分布图可能就会丢失细节信息。但是，如果组距太窄，可能就会出现太多的干扰，可能会丢失有意思的细节。此外，界点的位置会影响直方图的外观。有时候，你需要进行尝试并犯错，才能得出正确的组距。

箱线图

箱线图是一种常见的可视化图表，使用区间来显示一般分布形状。区间是大于某个百分比的数据的值。例如，50% 区间是指大于 50% 的数据的值，通常称为中间值。95% 区间是指大于 95% 的数据的值。所有箱线图都使用 25%、50% 和 75% 区间，通常称为四分位数。通常，还会使用箱须（或侧栏）来表示更大的区间，或者最小区间和最大区间。你还会经常看到箱线图显示了异常值、大于或小于箱须值的数据点。

从图中可以看出，用颜色标注区间使你能够了解潜在分布情况。如果区间在中间值两边保持对称，分布图就可能是正态的。但是，如果区间揉成一团，则表明分布图是偏斜的。

对于箱线图要谨慎使用。因为你将分布图简化成大约五个数字，有可能使非正态分布看起来像正态的。

左侧的直方图显示的是非正态分布，而右侧的箱线图使数据看起来似乎是正态的。

小提琴图

小提琴图会显示平滑的数据分布图。分布图使用一种叫做核密度估计的方法进行近似估计，你不需要了解该方法，但是该方法很神奇，你可以在此处了解详情。和箱线图相似，通常也会包含区间，但是也会显示实际数据分布。

小提琴图几乎适合所有情况。它们会展示非正态分布（箱线图则不会）。但是，平滑操作可能会丢失细节，对于少量数据来说，经常会失败。个人而言，我喜欢使用小提琴图而不是箱线图，但是有时候可能需要快速简单的分布图。

纸带记录图

很多时候，我喜欢用纸带记录图直接绘制出数据。纸带记录图用点表示每组的实际数据。如果没有太多数据，可以直接沿着直线绘制数据。如果数据很多的话，点经常会重叠，所以可以在无值维度中随机地散布数据，或者使用幻灯片。当然，如果有太多数据的话，就会让人困惑，所以纸带记录图并非适合所有情况。

可视化是一种艺术

我刚刚介绍了几种可视化分布图。你使用哪个呢？该如何从这些图表之间做出选择呢？

可视化就像一门艺术。你需要思考你有哪些问题，什么样的选择最适合回答这些问题。你还需要考虑根本数据。如果有很多的数据，纸带记录图可能就不适合了。如果有很少的数据，小提琴图和箱线图可能不适合。首先，你需要尝试几种图表，多试试并犯错。有了几次经验之后，你就更善于做出最佳选择了。

转载于:https://www.cnblogs.com/chickenwrap/p/10182781.html