基础图表类型（二）：分布类图表
在数据分析中，了解数据的分布特征是非常重要的。数据的分布告诉我们数据是如何分散的，是否存在异常值，是否符合某种理论分布等。分布类图表专门用于展示数据的分布特征，帮助我们理解数据的本质。
直方图：连续数据分布
直方图（Histogram）是最常用的分布类图表之一。它通过将数据分成若干个区间（称为"箱"或"bin"），统计每个区间内数据的频数，然后用柱状图来展示。直方图可以直观地展示数据的分布形状，帮助我们了解数据的中心趋势、离散程度、偏度等特征。
直方图的基本原理
直方图的核心是将连续数据离散化。我们将数据的取值范围分成若干个等宽的区间，然后统计每个区间内有多少个数据点。每个区间用一个柱子来表示，柱子的高度表示该区间内数据的频数（或频率）。
区间宽度的选择对直方图的形状有很大影响。如果区间太宽，会丢失细节，分布的形状不够清晰。如果区间太窄，会产生很多噪声，分布的形状也不够清晰。通常，我们可以使用一些经验公式来选择区间宽度，如Sturges公式、Scott公式、Freedman-Diaconis公式等。
直方图的应用场景
直方图适合以下场景：数据是连续的，需要了解数据的分布形状，需要识别异常值，需要判断数据是否符合某种理论分布。
比如，在分析学生成绩时，我们可以用直方图来展示成绩的分布，看看成绩是正态分布还是偏态分布，是否存在异常的低分或高分。在分析产品质量时，我们可以用直方图来展示产品尺寸的分布，看看是否符合规格要求。
下面是一个直方图的示例，展示了某班级学生数学成绩的分布：
从图中可以清楚地看到，成绩分布大致呈正态分布，大部分学生的成绩集中在70-90分之间，两端的学生较少。这种分布形状是教育数据中常见的。
直方图的解读
在解读直方图时，我们需要注意以下几个方面：
- 分布形状：数据是单峰还是多峰？是对称还是偏态？如果是单峰对称，可能符合正态分布。如果是多峰，可能表示数据来自不同的群体。
- 中心趋势：数据集中在哪个区间？这可以帮助我们了解数据的典型值。
- 离散程度：数据是集中还是分散？如果柱子集中在中间，数据比较集中。如果柱子分布较广，数据比较分散。
- 异常值：是否存在远离主要分布的柱子？这些可能是异常值，需要进一步调查。
直方图与柱状图的区别
直方图和柱状图在视觉上很相似，但它们在本质上是不同的。柱状图用于比较不同类别的数值，类别之间是独立的，没有顺序关系。直方图用于展示连续数据的分布，区间之间是连续的，有顺序关系。
在柱状图中，柱子之间通常有间隙，表示类别之间的独立性。在直方图中，柱子之间通常没有间隙，或者间隙很小，表示数据的连续性。
箱线图：四分位数和异常值展示
箱线图（Box Plot），也称为盒须图（Box-and-Whisker Plot），是一种用于展示数据分布和识别异常值的图表。 箱线图用简洁的方式展示了数据的五个关键统计量：最小值、第一四分位数（Q1）、中位数（Q2）、第三四分位数（Q3）、最大值。
箱线图的结构
箱线图由一个箱子和两条须线组成。箱子的下边界是第一四分位数（Q1），上边界是第三四分位数（Q3），箱子中间有一条线表示中位数（Q2）。箱子的高度是四分位距（IQR = Q3 - Q1），表示数据的离散程度。
须线从箱子的上下边界延伸出去，通常延伸到1.5倍IQR的范围。如果数据点超出这个范围，会被标记为异常值（Outlier），用点来表示。
箱线图的应用场景
箱线图适合以下场景：需要比较多个组的分布，需要识别异常值，需要了解数据的离散程度，数据量较大。
比如，在比较不同班级的成绩分布时，我们可以用箱线图来展示每个班级的成绩分布，比较它们的中位数、四分位距、异常值等。在分析产品质量时，我们可以用箱线图来比较不同生产线的产品尺寸分布。
箱线图的优势在于，它能够在有限的空间内展示丰富的信息，特别适合比较多个组的分布。箱线图的局限性在于，它不展示分布的详细形状，只展示关键的统计量。
箱线图的解读
在解读箱线图时，我们需要注意以下几个方面：
- 中位数：中位数是数据的中心趋势，不受异常值影响。如果中位数偏向箱子的某一端，表示数据是偏态的。
- 四分位距：四分位距（IQR）是数据的离散程度。IQR越大，数据越分散。IQR越小，数据越集中。
- 异常值：超出1.5倍IQR范围的数据点被认为是异常值。异常值可能是错误数据，也可能是真实但特殊的情况，需要进一步调查。
- 对称性：如果中位数在箱子的中间，表示数据大致对称。如果中位数偏向箱子的某一端，表示数据是偏态的。
下面是一个箱线图的示例，展示了三个班级数学成绩的分布对比：
从图中可以清楚地看到，班级A的成绩中位数最高，但离散程度也最大，有较多的异常值。班级B的成绩中位数居中，离散程度适中。班级C的成绩中位数最低，但离散程度最小，数据比较集中。
分组箱线图
当我们需要比较多个组的分布时，可以使用分组箱线图。分组箱线图将多个箱线图并排显示，让我们能够直观地比较不同组的分布特征。
分组箱线图适合以下场景：需要比较多个组的分布，组的数量不太多（通常不超过10个），需要识别组间的差异。
小提琴图：分布密度可视化
小提琴图（Violin Plot）是箱线图和密度图的结合。它既展示了数据的统计量（如中位数、四分位数），又展示了数据的分布密度。小提琴图的形状像小提琴，因此得名。
小提琴图的结构
小提琴图由两部分组成：中间的箱线图部分和两侧的密度图部分。中间的箱线图展示了数据的统计量，两侧的密度图展示了数据的分布密度。密度图是通过核密度估计（Kernel Density Estimation）生成的，展示了数据在不同值上的密度。
小提琴图的宽度表示该值附近数据的密度。宽度越大，表示该值附近的数据越多。宽度越小，表示该值附近的数据越少。
小提琴图的应用场景
小提琴图适合以下场景：需要同时了解统计量和分布形状，需要比较多个组的分布，数据量较大。
小提琴图的优势在于，它结合了箱线图和密度图的优点，既展示了统计量，又展示了分布形状。小提琴图的局限性在于，当数据量较小时，密度估计可能不够准确，小提琴的形状可能不够平滑。
小提琴图的解读
在解读小提琴图时，我们需要注意以下几个方面：
- 分布形状：小提琴的形状展示了数据的分布形状。如果小提琴是对称的，表示数据大致对称。如果小提琴是偏态的，表示数据是偏态的。
- 密度：小提琴的宽度表示数据的密度。宽度大的地方，数据多。宽度小的地方，数据少。
- 统计量：中间箱线图部分展示了数据的统计量，如中位数、四分位数等。
下面是一个小提琴图的示例，展示了三个班级数学成绩的分布：
从图中可以清楚地看到，班级A的成绩分布是双峰的，可能表示学生分为两个群体。班级B的成绩分布大致对称，呈正态分布。班级C的成绩分布是左偏的，大部分学生的成绩较低。
散点图：两个变量关系
散点图（Scatter Plot）使用点来表示两个变量的关系。每个点代表一个观测值，点的横坐标表示一个变量的值，点的纵坐标表示另一个变量的值。散点图可以直观地展示两个变量之间的关系，如正相关、负相关、非线性关系等。
散点图的基本原理
散点图的核心是将两个变量的值映射到二维平面上。如果两个变量之间存在关系，点会呈现出某种模式。如果两个变量之间没有关系，点会随机分布。
散点图可以展示多种关系类型：正相关（一个变量增加，另一个变量也增加）、负相关（一个变量增加，另一个变量减少）、非线性关系（关系不是线性的）、无关系（点随机分布）。
散点图的应用场景
散点图适合以下场景：需要探索两个变量之间的关系，数据是数值型的，数据量不太大（通常不超过1000个点）。
比如，在分析身高和体重的关系时，我们可以用散点图来展示它们之间的关系，看看是否存在线性关系。在分析广告投入和销售额的关系时，我们可以用散点图来探索它们之间的关系，看看是否存在相关性。
下面是一个散点图的示例，展示了身高和体重的关系：
从图中可以清楚地看到，身高和体重之间存在正相关关系，身高越高，体重越重。点的分布大致呈线性，但存在一定的离散性。
散点图的解读
在解读散点图时，我们需要注意以下几个方面：
- 关系类型：两个变量之间是否存在关系？是正相关、负相关，还是无关系？
- 关系强度：如果存在关系，关系的强度如何？点越接近一条直线，关系越强。点越分散，关系越弱。
- 关系形状：关系是线性的还是非线性的？如果是线性的，点大致分布在一条直线上。如果是非线性的，点会呈现出曲线模式。
- 异常值：是否存在远离主要模式的点？这些可能是异常值，需要进一步调查。
- 聚类：点是否形成聚类？如果存在聚类，可能表示数据来自不同的群体。
分组散点图
当我们需要比较不同组的关系时，可以使用分组散点图。分组散点图使用不同的颜色或形状来区分不同的组，让我们能够同时比较多个组的关系。
分组散点图适合以下场景：需要比较多个组的关系，组的数量不太多（通常不超过5个），需要识别组间的差异。
密度图：概率密度函数可视化
密度图（Density Plot）通过估计数据的概率密度函数来展示数据的分布。密度图类似于直方图，但它是连续的、平滑的，更适合展示分布的详细形状。
密度图的基本原理
密度图使用核密度估计（Kernel Density Estimation, KDE）来估计数据的概率密度函数。核密度估计是一种非参数方法，它不需要假设数据符合某种理论分布，而是直接从数据中估计密度函数。
核密度估计的基本思想是：在每个数据点周围放置一个核函数（通常是高斯函数），然后将所有核函数叠加起来，得到密度估计。核函数的带宽（bandwidth）决定了估计的平滑程度。带宽越大，估计越平滑，但可能丢失细节。带宽越小，估计越详细，但可能产生噪声。
密度图的应用场景
密度图适合以下场景：需要展示分布的详细形状，需要比较多个组的分布，数据是连续的。
密度图的优势在于，它是连续的、平滑的，能够清晰地展示分布的详细形状，包括多峰、偏态等特征。密度图的局限性在于，它依赖于核密度估计的参数选择，不同的参数可能产生不同的结果。
密度图的解读
在解读密度图时，我们需要注意以下几个方面：
- 分布形状：密度曲线的形状展示了数据的分布形状。如果是单峰对称，可能符合正态分布。如果是多峰，可能表示数据来自不同的群体。如果是偏态，表示数据是偏态的。
- 峰值位置：密度曲线的峰值位置表示数据的中心趋势，类似于直方图的峰值。
- 尾部形状：密度曲线的尾部形状表示数据的离散程度。尾部越宽，数据越分散。尾部越窄，数据越集中。
下面是一个密度图的示例，展示了三个班级数学成绩的分布密度：
从图中可以清楚地看到，班级A的成绩分布是双峰的，可能表示学生分为两个群体。班级B的成绩分布大致对称，呈正态分布。班级C的成绩分布是左偏的，大部分学生的成绩较低。
分组密度图
当我们需要比较多个组的分布时，可以使用分组密度图。分组密度图将多个密度曲线叠加显示，让我们能够直观地比较不同组的分布特征。
分组密度图适合以下场景：需要比较多个组的分布，组的数量不太多（通常不超过5个），需要识别组间的差异。
小结
分布类图表是数据可视化中的重要工具，它们帮助我们理解数据的本质特征。掌握直方图、箱线图、小提琴图、散点图、密度图等图表的特点和使用场景，能够帮助我们更好地分析数据，发现数据中的规律和异常。
在接下来的学习中，我们将学习关系类图表，了解如何展示变量之间的复杂关系。