python如何查看变量的分布图

使用Python查看变量的分布图的方法包括：使用Matplotlib、使用Seaborn、使用Pandas、使用Plotly。其中，使用Seaborn 是一种非常方便且功能强大的方法。Seaborn是基于Matplotlib的高级绘图库，它使得创建统计图表变得更加容易。

Seaborn不仅提供了非常简单的API接口来绘制分布图，而且还可以与Pandas等数据处理库很好地集成。在下面的内容中，我们将详细介绍如何使用这些工具来查看变量的分布图。

一、使用MATPLOTLIB绘制分布图

Matplotlib是Python中最基础的绘图库，几乎所有其他的绘图库都是基于它进行封装或扩展的。以下是如何使用Matplotlib绘制直方图和密度图来查看变量的分布。

1.1、绘制直方图

直方图是展示数据分布的最常见方法之一。它将数据分割成若干个区间，然后统计每个区间的数据数量。

import matplotlib.pyplot as plt
生成一些示例数据
import numpy as np
data = np.random.randn(1000)
创建直方图
plt.hist(data, bins=30, alpha=0.7, color='blue', edgecolor='black')
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

在上述代码中，np.random.randn(1000)生成了1000个正态分布的数据点。plt.hist函数用于绘制直方图，bins参数指定了直方图的区间数量，alpha参数设置透明度，color设置柱的颜色，edgecolor设置柱的边缘颜色。

1.2、绘制密度图

密度图（Kernel Density Estimation, KDE）是另一种展示数据分布的方法，它通过估计数据的概率密度函数来展示数据的分布情况。

import matplotlib.pyplot as plt
import seaborn as sns
生成一些示例数据
import numpy as np
data = np.random.randn(1000)
创建密度图
sns.kdeplot(data, shade=True, color="blue")
plt.title('Density Plot')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()

在上述代码中，我们使用Seaborn库来绘制密度图。sns.kdeplot函数用于绘制密度图，shade参数设置为True表示填充密度图的下方区域，color参数设置密度图的颜色。

二、使用SEABORN绘制分布图

Seaborn是基于Matplotlib的高级绘图库，它提供了更加简洁和高级的API接口，使得绘图变得更加容易和美观。

2.1、绘制直方图和密度图

Seaborn可以同时绘制直方图和密度图。

import seaborn as sns
import matplotlib.pyplot as plt
生成一些示例数据
import numpy as np
data = np.random.randn(1000)
创建直方图和密度图
sns.histplot(data, kde=True, color='blue')
plt.title('Histogram and Density Plot')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

在上述代码中，sns.histplot函数用于同时绘制直方图和密度图，kde参数设置为True表示绘制密度图，color参数设置图的颜色。

2.2、绘制箱线图

箱线图（Box Plot）是另一种展示数据分布的方法，它通过展示数据的五数概括（最小值、第一四分位数、中位数、第三四分位数、最大值）来展示数据的分布情况。

import seaborn as sns
import matplotlib.pyplot as plt
生成一些示例数据
import numpy as np
data = np.random.randn(1000)
创建箱线图
sns.boxplot(data, color='blue')
plt.title('Box Plot')
plt.xlabel('Value')
plt.show()

在上述代码中，sns.boxplot函数用于绘制箱线图，color参数设置箱线图的颜色。

三、使用PANDAS绘制分布图

Pandas是Python中最常用的数据处理库，它不仅提供了强大的数据处理功能，还提供了一些简单的绘图功能。

3.1、使用Pandas绘制直方图

Pandas的Series和DataFrame对象都有一个plot方法，可以用来绘制直方图。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
生成一些示例数据
data = np.random.randn(1000)
创建DataFrame
df = pd.DataFrame(data, columns=['value'])
绘制直方图
df['value'].plot(kind='hist', bins=30, alpha=0.7, color='blue', edgecolor='black')
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

在上述代码中，我们首先使用pd.DataFrame创建了一个DataFrame对象，然后使用plot方法绘制直方图。

3.2、使用Pandas绘制密度图

Pandas的Series和DataFrame对象也可以用来绘制密度图。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
生成一些示例数据
data = np.random.randn(1000)
创建DataFrame
df = pd.DataFrame(data, columns=['value'])
绘制密度图
df['value'].plot(kind='density', color='blue')
plt.title('Density Plot')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()

在上述代码中，我们使用plot方法的kind参数设置为density来绘制密度图。

四、使用PLOTLY绘制分布图

Plotly是一个功能强大的绘图库，它不仅可以绘制静态图表，还可以绘制交互式图表。

4.1、使用Plotly绘制直方图

Plotly的plotly.express模块提供了非常简洁的API接口来绘制直方图。

import plotly.express as px
import numpy as np
生成一些示例数据
data = np.random.randn(1000)
绘制直方图
fig = px.histogram(data, nbins=30, title='Histogram')
fig.show()

在上述代码中，px.histogram函数用于绘制直方图，nbins参数设置直方图的区间数量。

4.2、使用Plotly绘制密度图

Plotly的plotly.figure_factory模块提供了绘制密度图的功能。

import plotly.figure_factory as ff
import numpy as np
生成一些示例数据
data = np.random.randn(1000)
绘制密度图
fig = ff.create_distplot([data], group_labels=['Data'], show_hist=False)
fig.update_layout(title_text='Density Plot')
fig.show()

在上述代码中，ff.create_distplot函数用于绘制密度图，show_hist参数设置为False表示不显示直方图。