连续数据是存储为数字（整数或浮点数）的数据。
目录
微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩
连 续 数 据
笔者对连续数据的广义定义是存储为数字（整数或浮点数）的数据。在分类数据和连续数据之间存在一些灰色区域。例如，年级就可以表示为数字（忽略幼儿园，或使用0表示）。在这种情况下，年级列既可以是分类的，也可以是连续的，因此，本节和5.4节“分类数据”中的技术都可以应用。
本节将检查燃油经济性数据集中的连续列。在city08列中，列出了城市道路条件下以较低速度驾驶汽车时预期的每加仑英里数。
实战操作
（1）选择数字列（通常是int64或float64）。
>>> fueleco.select_dtypes("number")
（2）使用.sample方法查看部分值。
>>> fueleco.city08.sample(5, random_state=42)
4217 11
1736 21
36029 16
37631 16
1668 17
Name: city08, dtype: int64
（3）确定缺失值的数量和百分比。
>>> fueleco.city08.isna().sum()
0
>>> fueleco.city08.isna().mean() * 100
0.0
（4）获取摘要统计信息。
>>> fueleco.city08.describe()
Name: city08, dtype: float64
（5）使用Pandas绘制直方图。
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(figsize=(10, 8))
>>> fueleco.city08.hist(ax=ax)
>>> fig.savefig(
... "c5-conthistpan.png", dpi=300
... )
其输出结果如图5-3所示。
图5-3 Pandas直方图
（6）图5-3看起来很偏斜，因此可以增加直方图中箱子（bin）的数量，以查看偏斜是否隐藏了行为（因为偏斜会使箱子更宽）。
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(figsize=(10, 8))
>>> fueleco.city08.hist(ax=ax, bins=30)
>>> fig.savefig(
... "c5-conthistpanbins.png", dpi=300
... )
其输出结果如图5-4所示。
图5-4 修改之后的Pandas直方图
（7）使用Seaborn创建一个分布图，其中包括直方图、核密度估计（kernel density estimation，KDE）和rug图。
>>> fig, ax = plt.subplots(figsize=(10, 8))
>>> sns.distplot(fueleco.city08, rug=True, ax=ax)
>>> fig.savefig(
... "c5-conthistsns.png", dpi=300
... )
其输出结果如图5-5所示。
图5-5 Seaborn直方图
提示：
-
直方图显示的是箱子。
-
KDE显示的是密度曲线。
-
rug图可以标示数据分布情况。元素出现一次，就会绘制一个小竖杠。因此，从rug的疏密可以看出元素的疏密。
原理解释
分析人员应该对数字代表的意义有良好的感觉，而研究数据的样本将使你找到这种感觉，知道某些值代表的意义。另外，我们还需要知道缺失值的情况。回想一下，当我们对列执行操作时，Pandas将忽略缺失值。
.describe方法提供的摘要统计信息非常有用，这可能是我们最喜欢的检查连续值的方法。一定要检查最小值和最大值，这对于理解数字的意义很有帮助。例如，如果在miles per gallon（每加仑英里数）这一列中的最小值出现了负值，那就很奇怪。
分位数向我们表明了数据的偏斜度。由于分位数是数据趋势的可靠指标，因此它们不受异常值的影响。
还需要注意的另一件事是无穷值，无论是正无穷还是负无穷。在我们的示例中没有出现无穷值，如果有这些值，那么它可能会导致某些数学运算或绘图失败。如果数据中包含无穷值，则需要考虑如何对这些值进行处理。Pandas的常见做法是对无穷值进行修剪和删除。
我们是绘图功能的忠实拥护者，Pandas和Seaborn都使可视化连续数据的分布变得非常容易。俗话说“一图胜千言”，这样的俗话用在数据分析领域真是再恰当不过了。
扩展知识
Seaborn库有许多汇总连续数据的选项。除distplot函数外，还有一些用于创建箱形图（box plot）、增强箱形图（boxen plot）和小提琴图（violin plot）的函数。
R语言是用于统计分析、绘图的语言和操作环境。R语言创建了一个称为字母值图（letter value plot）的图，Seaborn的作者复制了该图，但是将名称更改为增强箱形图。在增强箱形图中，它的中值（median value）是黑色线。中值以50表示，从50～0和100各划分一半，从而划分出四分位数线。箱子从上到下展示的是上四分位数（75分位数，这是箱子的上边线）、中位数（median，即箱子中间的线）和下四分位数（25分位数，这是箱子的下边线），上四分位数和下四分位数之间的距离称为四分位距（inter quartile range， IQR），也就是25～75分位数的范围。最高的块显示的就是25～75分位数的范围。在下边缘的下一个箱子是从25到该值的一半（也就是12.5），所以显示的就是12.5～25分位数。重复此模式，下一个箱子就是6.25～12.5分位数，以此类推。
小提琴图基本上是一个直方图，其另一侧翻转了一个副本。如果你有双模型直方图，则该直方图看起来像小提琴，这也是它名称的由来。
>>> fig, axs = plt.subplots(nrows=3, figsize=(10, 8))
>>> sns.boxplot(fueleco.city08, ax=axs[0])
>>> sns.violinplot(fueleco.city08, ax=axs[1])
>>> sns.boxenplot(fueleco.city08, ax=axs[2])
>>> fig.savefig("c5-contothersns.png", dpi=300)
其输出结果如图5-6所示。
图5-6 用Seaborn创建的箱形图、小提琴图和增强箱形图
如果你担心数据是否正常，则可以使用SciPy库通过数字和可视化对其进行量化。
K-S检验（kolmogorov-smirnov test）可以评估数据是否为正态分布。K-S检验为我们提供了p值。如果此值是显著的（<0.05），则数据就不是正态分布的。
>>> from scipy import stats
>>> stats.kstest(fueleco.city08, cdf="norm")
KstestResult(statistic=0.9999999990134123, pvalue=0.0)
我们可以绘制概率图（probability plot）以查看值是否为正态分布。正态概率图将是一条直线，如果样本跟踪这条线，则数据是正态分布的。
>>> from scipy import stats
>>> fig, ax = plt.subplots(figsize=(10, 8))
>>> stats.probplot(fueleco.city08, plot=ax)
>>> fig.savefig("c5-conprob.png", dpi=300)
其输出结果如图5-7所示。
图5-7 概率图显示了值是否为正态分布
推荐书单
《Pandas1.x实例精解》
本书详细阐述了与Pandas相关的基本解决方案，主要包括Pandas基础，DataFrame基本操作，创建和保留DataFrame，开始数据分析，探索性数据分析，选择数据子集，过滤行，对齐索引，分组以进行聚合、过滤和转换，将数据重组为规整形式，组合Pandas对象，时间序列分析，使用Matplotlib、Pandas和Seaborn进行可视化，调试和测试等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。
购买链接：https://u.jd.com/UKjx4et
精彩回顾
微信搜索关注《Python学研大本营》
访问【IT今日热榜】，发现每日技术热点
2648
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
