导读：对数据进行质量分析以后，接下来可通过绘制图表、计算某些特征量等手段进行数据的特征分析。

作者：张良均 谭立云 刘名军 江建明

来源：大数据DT（ID：hzdashuju）

内容摘编自《Python数据分析与挖掘实战》

其中，分布分析能揭示数据的分布特征和分布类型。本文就手把手教你做分布分析。

对于定量数据，要想了解其分布形式是对称的还是非对称的、发现某些特大或特小的可疑值，可做出频率分布表、绘制频率分布直方图、绘制茎叶图进行直观分析;对于定性数据，可用饼图和条形图直观地显示其分布情况。

01 定量数据的分布分析

对于定量变量而言，选择“组数”和“组宽”是做频率分布分析时最主要的问题，一般按照以下步骤进行：

第一步：求极差。

第二步：决定组距与组数。

第三步：决定分点。

第四步：列出频率分布表。

第五步：绘制频率分布直方图。

遵循的主要原则如下：

各组之间必须是相互排斥的。

各组必须将所有的数据包含在内。

各组的组宽最好相等。

下面结合具体实例来运用分布分析对定量数据进行特征分析。

表3-2是菜品“捞起生鱼片”在2014年第二个季度的销售数据，绘制销售量的频率分布表、频率分布图，对该定量数据做出相应的分析。

▲表3-2 “捞起生鱼片”的销售情况

1. 求极差

极差=最大值-最小值=3960-45=3915

2. 分组

这里根据业务数据的含义，可取组距为500.则组数如下所示。

组数=极差/组距=3915/500=7.83≈8

3. 决定分点

分布区间如表3-3所示。

▲表3-3 分布区间

4. 绘制频率分布直方表

根据分组区间得到如表3-4所示的频率分布表。

其中，第1列将数据所在的范围分成若干组段，其中第1个组段要包括最小值，最后一个组段要包括最大值。习惯上将各组段设为左闭右开的半开区间，如第一个组段为[0.500)。

第2列组中值是各组段的代表值，由本组段的上限值和下限值相加除以2得到。

第3列和第4列分别为频数和频率。

第5列是累计频率，是否需要计算该列数值视情况而定。

▲表3-4 频率分布

5. 绘制频率分布直方图

若以2014年第二季度“捞起生鱼片”这道菜每天的销售额组段为横轴，以各组段的频率密度(频率与组距之比)为纵轴，表3-4中的数据可绘制成频率分布直方图，如代码清单3-3所示。

代码清单3-3 “捞起生鱼片”的季度销售情况

import pandas as pd

import numpy as np

catering_sale = '../data/catering_fish_congee.xls'        # 餐饮数据

data = pd.read_excel(catering_sale,names=['date','sale'])  # 读取数据，指定“日期”

列为索引

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

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

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

import matplotlib.pyplot as plt

plt.figure(figsize=(10.6))     # 设置图框大小尺寸

pAggResult['sale'].plot(kind='bar',width=0.8.fontsize=10)  # 绘制频率直方图

plt.rcParams['font.sans-serif'] = ['SimHei']               # 用来正常显示中文标签

plt.title('季度销售额频率分布直方图',fontsize=20)

plt.show()

运行代码清单3-3可得季度销售额频率分布直方图，如图3-3所示。

▲图3-3 季度销售额频率分布直方图

02 定性数据的分布分析

对于定性变量，常常根据变量的分类类型来分组，可以采用饼图和条形图来描述定性变量的分布，如代码清单3-4所示。

代码清单3-4 不同菜品在某段时间的销售量分布情况

import pandas as pd

import matplotlib.pyplot as plt

catering_dish_profit = '../data/catering_dish_profit.xls'# 餐饮数据

data = pd.read_excel(catering_dish_profit)  # 读取数据，指定“日期”列

为索引

# 绘制饼图

x = data['盈利']

labels = data['菜品名']

plt.figure(figsize=(8. 6))  # 设置画布大小

plt.pie(x,labels=labels)  # 绘制饼图

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

plt.title('菜品销售量分布(饼图)')  # 设置标题

plt.axis('equal')

plt.show()

# 绘制条形图

x = data['菜品名']

y = data['盈利']

plt.figure(figsize=(8. 4))  # 设置画布大小

plt.bar(x,y)

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

plt.xlabel('菜品')  # 设置x轴标题

plt.ylabel('销量')  # 设置y轴标题

plt.title('菜品销售量分布(条形图)')# 设置标题

plt.show()  # 展示图片

饼图的每一个扇形部分代表每一类型的所占百分比或频数，根据定性变量的类型数目将饼图分成几个部分，每一部分的大小与每一类型的频数成正比;条形图的高度代表每一类型的百分比或频数，条形图的宽度没有意义。

运行代码清单3-4可得不同菜品在某段时间的销售量分布图，如图3-4和图3-5所示。

▲图3‑4 菜品销售量分布(饼图)

▲图3‑5 菜品销售量分布(条形图)