云栖号资讯：【点击查看更多行业资讯】
在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！

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。

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。

1. 求极差

极差=最大值-最小值=3960-45=3915

1. 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

1. 决定分点

分布区间如表3-3所示。

1. 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。

1. 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。

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。

关于作者：张良均，资深大数据挖掘与分析专家、模式识别专家、AI技术专家。有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。

【云栖号在线课堂】每天都有产品技术专家分享！
课程地址：https://yqh.aliyun.com/zhibo

立即加入社群，与专家面对面，及时了解课程最新动态！
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间：2020-06-16
本文作者：张良均 谭立云
本文来自：“大数据DT 微信公众号 ”，了解相关信息可以关注“大数据DT”