京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Excel-直方图(频率分布)分析
直方图又称频率分布图,是一种显示数据分布情况的柱形图,即不同数据出现的频率。通过这些高度不同的柱形,可以直观、快速地观察数据的分散程度和中心趋势,从而分析流程满足客户需求的程度。图9-42列出了直方图能够回答的问题。
图9-42直方图能够回答的问题
直方图适用于连续数据的分析(如客户收到订单商品的天数),因此直方图对数据量有一定的要求。如果数据量很少时,可以直接使用散点图进行展示。
在Excel中绘制直方图有两种方式,一种是手动绘制,即自己统计出数据的频率,然后通过插入柱形图进行实现;另一种方法是使用数据分析工具直接生成统计图形。
1.手动绘制
图9-43是网站手机数码类商品客户收货天数测量结果,现在统计这些数据的分布频率。
首先,使用Excel的MAX和MIN函数找出该组数据的最大值和最小值,计算最大值和最小值之差,即数据范围;然后,根据数据特征或统计需要,确定要分的组数。该组数据的最大值和最小值分别为24和1,经过讨论,决定将数据分为[1~5]、[6~10]、[11~15]、[15~20]、[21~24] 5个组。
图9-43手机数码类商品客户收货天数
下面需要统计数据在各组的出现次数,即频率。在Excel中可以使用FREQUENCY(data_array,bins_array)函数统计数据的频率,data_array是要计算频率的数据,bins_array是对分组区间的引用。在图9-44所示的H2~H6单元格中分别输入每组的最大值,然后选定J2:J6单元格,输入公式=FREQUENCY(A1:F7,H2:H6)后,按下<Ctrl+Shift+Enter>组合键,即可看到各组中数据的出现次数。
图9-44统计数据在各组的出现次数
选定I1:J6区域,在“插入”功能区的“图表”模块中,单击“柱形图”Ž“簇状柱形图”按钮,即可看到绘制的柱形图,即直方图,如图9-45所示。可以看到,客户收货天数主要集中在6~10天。
图9-45插入柱形图
然后可以对图表进行美化,去除图例栏,修改图表的标题为“客户收货时间区间分布图”,如图9-46所示。
图9-46美化后的统计图形
2.数据分析工具绘制
单击“数据”选项卡中的“数据分析”按钮,打开“数据分析”对话框,如图9-47所示。
图9-47“数据分析”对话框
从分析工具列表中选择“直方图”后单击“确定”按钮,将打开如图9-48所示的“直方图”对话框。
图9-48“直方图”对话框
输入区域即存放原始采集数据的位置,选择A1:F7区域。接收区域是设置的区间分割点,仍旧使用手动统计频率时的H2:H6区域。
输出区域即存放频率统计结果的位置,也就是说,Excel会根据指定的区间分割点,自动计算原始采集数据的频率。
勾选“图表输出”复选框才会输出图表,否则仅显示频率统计结果。“柏拉图”和“累积百分率”请参考XX节“帕累托图”的介绍。
设置完成后,单击“确定”按钮,即可看到频率统计结果和输出的统计图表,如图9-49所示。
图9-49输出的频率统计结果和图表
可以看到自动统计结果(A10:B16)与手工统计的结果(J2:J6区域)完全相同,但是包含了一个“其他”选项,并且图表的分类轴标签使用的是区间分割点值,这时需要对图表进行一些美化调整。删除“其他”选项数据,然后将I2:I6区域的组标识数据复制到A11:A15区域修正分类轴标签显示,并对图表标题进行修改等,最后结果如图9-50所示。
图9-50美化后的直方图
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14