導讀：對數據進行質量分析以后，接下來可通過繪制圖表、計算某些特征量等手段進行數據的特征分析。

作者：張良均 譚立云 劉名軍 江建明

來源：大數據DT（ID：hzdashuju）

內容摘編自《Python數據分析與挖掘實戰》

其中，分布分析能揭示數據的分布特征和分布類型。本文就手把手教你做分布分析。

對于定量數據，要想了解其分布形式是對稱的還是非對稱的、發現某些特大或特小的可疑值，可做出頻率分布表、繪制頻率分布直方圖、繪制莖葉圖進行直觀分析;對于定性數據，可用餅圖和條形圖直觀地顯示其分布情況。

01 定量數據的分布分析

對于定量變量而言，選擇“組數”和“組寬”是做頻率分布分析時最主要的問題，一般按照以下步驟進行：

第一步：求極差。

第二步：決定組距與組數。

第三步：決定分點。

第四步：列出頻率分布表。

第五步：繪制頻率分布直方圖。

遵循的主要原則如下：

各組之間必須是相互排斥的。

各組必須將所有的數據包含在內。

各組的組寬最好相等。

下面結合具體實例來運用分布分析對定量數據進行特征分析。

表3-2是菜品“撈起生魚片”在2014年第二個季度的銷售數據，繪制銷售量的頻率分布表、頻率分布圖，對該定量數據做出相應的分析。

▲表3-2 “撈起生魚片”的銷售情況

1. 求極差

極差=最大值-最小值=3960-45=3915

2. 分組

這里根據業務數據的含義，可取組距為500.則組數如下所示。

組數=極差/組距=3915/500=7.83≈8

3. 決定分點

分布區間如表3-3所示。

▲表3-3 分布區間

4. 繪制頻率分布直方表

根據分組區間得到如表3-4所示的頻率分布表。

其中，第1列將數據所在的范圍分成若干組段，其中第1個組段要包括最小值，最后一個組段要包括最大值。習慣上將各組段設為左閉右開的半開區間，如第一個組段為[0.500)。

第2列組中值是各組段的代表值，由本組段的上限值和下限值相加除以2得到。

第3列和第4列分別為頻數和頻率。

第5列是累計頻率，是否需要計算該列數值視情況而定。

▲表3-4 頻率分布

5. 繪制頻率分布直方圖

若以2014年第二季度“撈起生魚片”這道菜每天的銷售額組段為橫軸，以各組段的頻率密度(頻率與組距之比)為縱軸，表3-4中的數據可繪制成頻率分布直方圖，如代碼清單3-3所示。

代碼清單3-3 “撈起生魚片”的季度銷售情況

import pandas as pd

import numpy as np

catering_sale = '../data/catering_fish_congee.xls'        # 餐飲數據

data = pd.read_excel(catering_sale,names=['date','sale'])  # 讀取數據，指定“日期”

列為索引

bins = [0.500.1000.1500.2000.2500.3000.3500.4000]

labels = ['[0.500)','[500.1000)','[1000.1500)','[1500.2000)',

'[2000.2500)','[2500.3000)','[3000.3500)','[3500.4000)']

data['sale分層'] = pd.cut(data.sale, bins, labels=labels)

aggResult = data.groupby(by=['sale分層'])['sale'].agg({'sale': np.size})

pAggResult = round(aggResult/aggResult.sum(), 2. ) * 100

import matplotlib.pyplot as plt

plt.figure(figsize=(10.6))     # 設置圖框大小尺寸

pAggResult['sale'].plot(kind='bar',width=0.8.fontsize=10)  # 繪制頻率直方圖

plt.rcParams['font.sans-serif'] = ['SimHei']               # 用來正常顯示中文標簽

plt.title('季度銷售額頻率分布直方圖',fontsize=20)

plt.show()

運行代碼清單3-3可得季度銷售額頻率分布直方圖，如圖3-3所示。

▲圖3-3 季度銷售額頻率分布直方圖

02 定性數據的分布分析

對于定性變量，常常根據變量的分類類型來分組，可以采用餅圖和條形圖來描述定性變量的分布，如代碼清單3-4所示。

代碼清單3-4 不同菜品在某段時間的銷售量分布情況

import pandas as pd

import matplotlib.pyplot as plt

catering_dish_profit = '../data/catering_dish_profit.xls'# 餐飲數據

data = pd.read_excel(catering_dish_profit)  # 讀取數據，指定“日期”列

為索引

# 繪制餅圖

x = data['盈利']

labels = data['菜品名']

plt.figure(figsize=(8. 6))  # 設置畫布大小

plt.pie(x,labels=labels)  # 繪制餅圖

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.title('菜品銷售量分布(餅圖)')  # 設置標題

plt.axis('equal')

plt.show()

# 繪制條形圖

x = data['菜品名']

y = data['盈利']

plt.figure(figsize=(8. 4))  # 設置畫布大小

plt.bar(x,y)

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.xlabel('菜品')  # 設置x軸標題

plt.ylabel('銷量')  # 設置y軸標題

plt.title('菜品銷售量分布(條形圖)')# 設置標題

plt.show()  # 展示圖片

餅圖的每一個扇形部分代表每一類型的所占百分比或頻數，根據定性變量的類型數目將餅圖分成幾個部分，每一部分的大小與每一類型的頻數成正比;條形圖的高度代表每一類型的百分比或頻數，條形圖的寬度沒有意義。

運行代碼清單3-4可得不同菜品在某段時間的銷售量分布圖，如圖3-4和圖3-5所示。

▲圖3?4 菜品銷售量分布(餅圖)

▲圖3?5 菜品銷售量分布(條形圖)