Day 6 数据初步可视化——描述性统计

@浙大疏锦行

今日任务：

1. 单特征可视化：连续变量箱线图（核密度直方图）、离散特征直方图
2. 特征和标签关系可视化
3. 箱线图美化与直方图

对于数据可视化操作一般分为三种，即单特征分布可视化、特征与标签关系可视化和特征与特征关系可视化。

选择信贷数据集进行处理，读取数据：

import pandas as pd
data = pd.read_csv(r"D:\机器学习\Python训练营代码【2025.7.30版本】\data.csv")
data.tail()

单特征分布可视化

找到连续特征

在day 5中学习了寻找离散特征的方法，同理可以得到寻找连续特征的代码。这样的代码看上去简单直观，非常适合初学者。

#连续特征的寻找
continuous_features = [] #创建空列表
for column in data.columns: #遍历
    if data[column].dtype != 'object': #判断
        continuous_features.append(column) #添加
continuous_features

此外，还有一种直接调用函数的方法完成特征的筛选，即select_dtypes()根据数据类型选择列:

• include：指定要包含的数据类型，include=['object']
• exclude：指定要排除的数据类型
• 由于返回的是指定的列，故而获取列名时采用了columns属性

data.select_dtypes(include=['float64','int64']).columns.tolist()

Matplotlib库

在数据可视化的操作中，常用的库为matplotlib和seaborn。在绘制图得过程中需要确定图的类型、坐标轴、数据的传入、标签及标题等。

根据数据类型和分析目标选择合适的图表类型，常见的绘图类型有：

• 数值变量分布分析：直方图（histogram）、核密度估计图（kde plot）、箱线图（boxplot）、小提琴图（violinplot）
• 关系分析：散点图（scatterplot）、回归图（regplot）、热力图（heatmap）
• 分类数据比较：柱状图（barplot）、计数图（countplot）、饼图（pie）
• 时间序列分析：折线图（lineplot）

绘制图表时的一般步骤为：（1）导入库（2）（设置画布），确定图表类型，传入数据（3）添加元素：label、title等（4）修改可选参数，美化图表。此外在绘图过程中应注意，中文字体显示不全以及负号显示问题，需在绘图前使用plt.rcParams设置好。

#中文字体显示
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号'-'显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

下面是选择了两种特征分别绘制了图表的例子：

（1）箱线图

适用于数值变量与分类变量，对于一定量数据包含一类含有多个特征的定类数据如一个班的各科（定类）成绩（定量）。可用来查看分布、离群值、比较不同类别等。

• data：绘图数据包含的dataframe，当使用x, y参数指定列名时必选
• x、y：x轴（分类变量，object或category），y轴（数值变量，int或float）
• hue：用于分组的分类变量，可绘制分组箱线图
• orient（v、h）、color、palette、width等

import matplotlib.pyplot as plt
import seaborn as sns

#连续特征描述
plt.figure(figsize=(6,4)) #设置画布大小
sns.boxplot(data=data,y='Annual Income',x='Home Ownership') #绘图
plt.title('Annual Income & Home Ownership')
plt.show()

对于箱线图的解读，要关注以下几点，具体解读分析参考：一文读懂箱线图

• 箱体: 显示数据的四分位数范围（IQR）
• 中线: 中位数（50%分位数）
• 须线: 通常为1.5倍IQR范围内的数据
• 离群点: 超出须线范围的数据点，以圆点展示
• 箱体高度: 反映数据的集中程度（Q3-Q1，50%的数据）

  

（2）直方图

适用于单个数值变量的分布，可查看数据分布形态、异常值、偏度。

• data：绘图数据包含的dataframe，当使用x, y参数指定列名时必选
• x、y：指定要绘制直方图的变量
• hue：用于分组的分类变量
• bins：控制直方图的柱子数量（int）或边界(序列)，默认'auto'
• kde：是否显示核密度估计曲线，默认False

#离散特征描述
plt.figure(figsize=(6,4))
sns.histplot(data=data,y='Years in current job',color='coral')
#plt.xticks(rotation=45)
plt.tight_layout() #自动调整子图参数，提供足够的空间
plt.title('Years in current job of histgram')
plt.show()

绘制特征和标签的关系

在信贷数据集中，标签为‘Credit Default’，即是否违约，包含两种情况。下面为离散标签与连续特征、离散标签与离散特征绘图示例。

离散标签与连续特征

箱线图

查看数据分布情况及异常值。选择一连续变量与标签绘制分组箱线图，结果如下：

plt.figure(figsize=(6,4))
sns.boxplot(data=data,y='Monthly Debt',x='Credit Default',hue='Term')
plt.title('Monthly Debt & Credit Default')
plt.show()

小提琴图

相较于箱线图，小提琴图可展示出数据分布的轮廓情况，包括分布轮廓和分布区域。

plt.figure(figsize=(6,4))
sns.violinplot(data=data,y='Current Credit Balance',x='Credit Default')
plt.title('Current Credit Balance & Credit Default')
plt.show()

直方图+kde

具体频数+平滑形状。直方图本质是离散的，即使用于连续变量也是用离散的bins来近似。而使用kde可以提供连续视图，实现连续地描述分布。

plt.figure(figsize=(6,4))
sns.histplot(data=data,x='Monthly Debt',hue='Credit Default',kde=True,element="step")
plt.tight_layout()
plt.title('Monthly Debt & Credit Default')
plt.show()

离散标签与离散特征

数值变量有的是连续变量，但有的是离散变量（数量有限）。比如，在信贷数据集中，‘Annual Income’为连续变量，而'Number of Open Accounts'为离散变量。

计数图（countplot）

适用分类变量，可查看各类别的频数分布。

• data：绘图数据包含的dataframe，当使用x, y参数指定列名时必选
• x、y：指定要计数的分类变量
• hue：用于进一步分组的第二个分类变量

plt.figure(figsize=(6,4))
sns.countplot(data=data,x='Number of Open Accounts')
plt.xticks(rotation=45)
#plt.title('Current Credit Balance & Credit Default')
plt.show()

分箱

类别太多时，图表看上去会比较散。由于是数值型，采用分组的方法减少类别。此处使用 pandas 的 cut() 函数将连续的数值变量分箱（离散化）为分类变量，pd.cut()：

• 分箱的原始列
• 定义分箱边界bins：分箱上界，float('inf')正无穷大
• 分箱标签labels：标签数比分箱数少一个

#分箱
data['Number of Open Accounts'] = pd.cut(data['Number of Open Accounts'], #分箱原始列
                                         bins=[0,5,10,15,20,25,float('inf')], #分箱边界
                                         labels=['0-5','5-10','10-15','15-20','20-25','25+'])
#画图
plt.figure(figsize=(6,4))
sns.countplot(data=data,x='Number of Open Accounts',hue='Credit Default')
plt.xticks(rotation=45)
plt.title('Number of Open Accounts & Credit Default')
plt.show()

进行数据可视化的初步分析，主要为了得到数据的分布、变量间的关系，根据目的选择合适的图表进行展现。如果为了提高美观度，查阅函数的相关参数进行调整即可。