分布类相关可视化图像总结

一、直方图（Histogram）
特点
数据分布展示：通过矩形条的高度反映数据在各个区间的频数或频率，适用于连续型数据。
区间划分：需指定 bins（区间数），结果受 bins 大小影响较大。
形状解读：可直观显示数据的中心位置、分布范围、偏态、峰值等。
应用场景
探索单变量连续数据的分布形态（如是否服从正态分布）。
比较不同分组数据的分布差异（如分面直方图）。
代码与效果：​​

注意事项
bins 参数：
若 bins 过少，可能掩盖数据细节；过多则可能导致分布碎片化。
可使用 bins=‘auto’（自动计算）或 np.linspace 自定义区间。
归一化：
density=True 时显示概率密度（面积之和为 1），否则为频数。
分组比较：
可通过 histtype=‘stepfilled’ 或分面（subplot）展示多组数据。
二、密度图（Density Plot）
特点
平滑曲线：通过核密度估计（KDE）生成连续曲线，展示数据的概率密度分布。
无区间划分：比直方图更平滑，适合展示多组数据的分布对比。
叠加显示：可在同一图中叠加多条密度曲线。
应用场景
对比多组连续数据的分布（如不同类别的特征分布）。
结合直方图使用，增强分布展示的细节。
代码与效果

注意事项
带宽参数（bw_adjust）：
控制曲线平滑程度，bw_adjust 越小，曲线越尖锐（如 bw_adjust=0.5）。
多组数据对比：
使用 hue 参数区分组别（需配合 DataFrame 输入）：
python

sns.kdeplot(data=df, x=‘value’, hue=‘group’, multiple=‘stack’)
边缘分布：
结合 sns.jointplot 展示二维数据的边缘密度分布。
三、箱线图（Box Plot）
特点
统计摘要展示：通过四分位数（Q1, Q2, Q3）、异常值、全距（IQR）展示数据分布。
抗噪性强：不受极端值影响，适合识别异常值和比较组间分布差异。
矩形箱体：箱体上下边为 Q1 和 Q3，中线为中位数，须线为正常值范围。
应用场景
比较不同组别数据的分布位置、离散程度和偏态。
快速检测数据中的异常值（超出须线范围的点）。
代码与效果：

注意事项
方向与分组：
vert=False 生成横向箱线图；传入多组数据可绘制分组箱线图。
异常值判定：
默认异常值为超出 Q1-1.5IQR 或 Q3+1.5IQR 的点，可通过 whis 参数调整（如 whis=3 扩大须线范围）。
美观优化：
使用 sns.boxplot 结合 Seaborn 样式，或通过 patch_artist 自定义箱体颜色。
四、小提琴图（Violin Plot）
特点
综合展示：左侧为箱线图，右侧为密度图的镜像翻转，同时显示分布形态和统计量。
细节丰富：比箱线图更直观展示数据的概率密度和峰值位置。
对称性判断：通过左右密度曲线是否对称判断数据偏态。
应用场景
需要同时展示数据分布形态和统计摘要的场景。
对比多组数据的分布细节（如不同类别下的特征分布差异）。
代码与实现
​​​​​​

注意事项
内部统计量：
inner 参数控制内部显示内容：‘box’（箱线图）、‘quartile’（四分位数）、None（仅密度图）。
带宽与核函数：
同密度图，可通过 bw_adjust 和 kernel 参数调整曲线平滑度和核函数类型。
分组与顺序：
传入分类变量时，可通过 order 参数指定组别顺序。