类别数据可视化 -- 类别散布图、类别内数据分布、类别内统计图

类别数据可视化

小象实战讲义 · Python数据分析实战

在上一讲中，我们学习了如何使用 Seaborn 绘制变量间的关系图。本讲我们将聚焦于类别数据的可视化。当数据中至少有一列是类别型（如星期几、性别、产品类型）时，如何直观地展示其与数值型数据的关系、分布及统计特征？这正是本讲要解决的问题。学完后，你将掌握三种核心的类别数据可视化工具。

💡 核心导读

• 类别散布图：使用 stripplot 和 swarmplot 展示类别与数值的对应关系，可直观看到数据点的分布。
• 类别内数据分布：通过 盒子图 (boxplot) 和 小提琴图 (violinplot) 深入理解每个类别下数据的统计分布（如四分位数、离群值）。
• 类别内统计图：利用 柱状图 (barplot) 和 点图 (pointplot) 快速比较不同类别的统计量（如均值），并支持分组展示。
• 统一参数：这些函数共享 x, y, data, hue 等核心参数，用法简洁高效。

类别散布图

类别散布图用于展示一个类别型变量与一个数值型变量之间的关系。Seaborn 提供了两种主要的散布图：stripplot（分布散点图）和 swarmplot（分簇散点图）。它们都接受以下核心参数：

• x, y：指定要可视化的两列数据。
• data：包含数据的 DataFrame。
• hue：用于在图中引入第二个类别维度，进行分组着色。

关键区别：之前学习的变量间关系图（如散点图）要求两列数据都是数值型。而类别散布图要求至少有一列是类别型数据。

我们将使用 Seaborn 内置的 tips（小费）数据集进行演示。该数据集记录了餐厅顾客的消费信息。

import seaborn as sns
import matplotlib.pyplot as plt

# 使用无界面后端，确保代码在任何环境均可运行
plt.switch_backend('Agg')

# 加载小费数据集
tips_data = sns.load_dataset('tips')
print("数据预览（前5行）:")
print(tips_data.head())

数据预览（前5行）:
   total_bill   tip     sex smoker  day    time  size
0       16.99  1.01  Female     No  Sun  Dinner     2
1       10.34  1.66    Male     No  Sun  Dinner     3
2       21.01  3.50    Male     No  Sun  Dinner     3
3       23.68  3.31    Male     No  Sun  Dinner     2
4       24.59  3.61  Female     No  Sun  Dinner     4

现在，我们绘制一个基础的类别散布图，查看一周中不同日子（day，类别型）收到的小费（tip，数值型）情况。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

# 重新加载数据以确保代码块自包含
tips_data = sns.load_dataset('tips')

# 绘制分布散点图 (stripplot)
fig, ax = plt.subplots(figsize=(8, 4))
sns.stripplot(x='tip', y='day', data=tips_data, ax=ax)
ax.set_title('小费金额在不同日期的分布（stripplot）')
# 讲义中不实际保存图片，此处仅作演示，关闭图形释放内存
plt.close(fig)
print("已绘制 stripplot：x轴为小费金额，y轴为星期几。")

已绘制 stripplot：x轴为小费金额，y轴为星期几。

从图中（想象或运行代码可见）可以看出，周六（Sat）有一些小费金额较高的点。为了更清晰地展示数据分布并引入第二个分类维度（如性别），我们可以使用 swarmplot，并设置 hue 参数。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

tips_data = sns.load_dataset('tips')

# 绘制分簇散点图 (swarmplot)，并按性别(hue)分组着色
fig, ax = plt.subplots(figsize=(8, 4))
sns.swarmplot(x='tip', y='day', data=tips_data, hue='sex', ax=ax)
ax.set_title('按性别分组的小费金额分布（swarmplot）')
plt.close(fig)
print("已绘制 swarmplot，并依据‘sex’列进行分组着色。")
print("观察：周六（Sat）给出较高小费的顾客中，男性（蓝色点）似乎更多。")

已绘制 swarmplot，并依据‘sex’列进行分组着色。
观察：周六（Sat）给出较高小费的顾客中，男性（蓝色点）似乎更多。

swarmplot 会将数据点“分簇”排列，避免重叠，使得分布更加清晰。通过 hue='sex'，我们进一步发现，在周六给出较高小费的顾客中，男性居多。这展示了类别散布图在探索数据细节上的强大能力。

类别内数据分布

当我们需要深入理解每个类别下数值数据的分布情况（而不仅仅是单个数据点）时，盒子图和小提琴图是更强大的工具。

盒子图 (Box Plot)

盒子图，又称箱线图，是一种用于显示数据分布情况的标准化方法。它基于分位数概念，能够展示数据的中位数、四分位数、范围以及潜在的离群值。

让我们回顾一下分位数：如果将一组数据从小到大排序，25%分位数（Q1）是第25%位置的数，50%分位数即中位数（Q2），75%分位数（Q3）是第75%位置的数。

一个标准的盒子图包含以下元素：

1. 盒子本身：下边缘是 Q1，上边缘是 Q3，盒子中间的线是中位数（Q2）。盒子的高度就是 四分位距 (IQR) = Q3 - Q1。
2. 须（Whiskers）：通常从盒子边缘延伸出去的两条线。在 Seaborn 的默认设置中，它们表示非离群值的范围。
   • 上须的顶端位于 Q3 + 1.5 * IQR
   • 下须的底端位于 Q1 - 1.5 * IQR
3. 离群值（Outliers）：任何超出须的范围的数据点，会被单独绘制为散点，通常被认为是与主体分布偏离较大的值。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

tips_data = sns.load_dataset('tips')

# 绘制盒子图
fig, ax = plt.subplots(figsize=(8, 4))
sns.boxplot(x='day', y='tip', data=tips_data, ax=ax)
ax.set_title('不同日期小费金额的分布（盒子图）')
plt.close(fig)
print("已绘制盒子图。")
print("解读：每个‘盒子’展示了该日期下小费金额的Q1、中位数、Q3。")
print("     盒子外的散点是可能的离群值，例如周六有一个非常高的小费。")

已绘制盒子图。
解读：每个‘盒子’展示了该日期下小费金额的Q1、中位数、Q3。
     盒子外的散点是可能的离群值，例如周六有一个非常高的小费。

同样，我们可以使用 hue 参数绘制分组的盒子图，以比较不同子类别（如性别）在主要类别（如日期）内的分布。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

tips_data = sns.load_dataset('tips')

# 绘制分组盒子图
fig, ax = plt.subplots(figsize=(10, 4))
sns.boxplot(x='day', y='tip', data=tips_data, hue='sex', ax=ax)
ax.set_title('按性别分组的不同日期小费分布（盒子图）')
plt.close(fig)
print("已绘制分组盒子图。")
print("可以直观比较同一天内，男性和女性给出小费金额分布的差异。")

已绘制分组盒子图。
可以直观比较同一天内，男性和女性给出小费金额分布的差异。

小提琴图 (Violin Plot)

小提琴图是盒子图的一种增强。它结合了盒子图和核密度估计（KDE）的特点。小提琴的宽度反映了数据在该值附近的密度，即数据越集中的地方，小提琴越宽。因此，小提琴图能比盒子图更细致地展示数据的实际分布形状（如双峰、偏态）。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

tips_data = sns.load_dataset('tips')

# 绘制小提琴图
fig, ax = plt.subplots(figsize=(8, 4))
sns.violinplot(x='day', y='tip', data=tips_data, ax=ax)
ax.set_title('不同日期小费金额的分布（小提琴图）')
plt.close(fig)
print("已绘制小提琴图。")
print("解读：图形宽度代表数据密度。可以观察分布的形态，例如是否对称、是否有多个峰值。")

已绘制小提琴图。
解读：图形宽度代表数据密度。可以观察分布的形态，例如是否对称、是否有多个峰值。

同样，小提琴图也支持 hue 参数进行分组比较。

类别内统计图

有时我们并不关心每个类别的完整分布，而只想快速比较不同类别的某个统计量（如平均值）。这时，柱状图和点图就派上用场了。

• sns.barplot()：默认显示每个类别数值的平均值，并通过误差线（通常表示置信区间）展示估计的可靠性。柱子的高度直观代表了均值的大小。
• sns.pointplot()：同样默认显示均值，但用点和连线来表示。点图特别适合展示跨类别的趋势，因为连线可以清晰地指示上升或下降的走向。

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')

tips_data = sns.load_dataset('tips')

# 绘制分组柱状图 (比较不同日期、不同性别的小费平均值)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
sns.barplot(x='day', y='tip', data=tips_data, hue='sex', ax=ax1)
ax1.set_title('小费平均金额（柱状图）')

# 绘制分组点图
sns.pointplot(x='day', y='tip', data=tips_data, hue='sex', ax=ax2)
ax2.set_title('小费平均金额趋势（点图）')

plt.tight_layout()
plt.close(fig)
print("已绘制分组柱状图和点图。")
print("柱状图：比较不同组别的均值大小。")
print("点图：观察均值随日期变化的趋势。例如，女性给的小费均值从周四到周日似乎呈上升趋势。")

已绘制分组柱状图和点图。
柱状图：比较不同组别的均值大小。
点图：观察均值随日期变化的趋势。例如，女性给的小费均值从周四到周日似乎呈上升趋势。

可以看到，使用 Seaborn 绘制这些复杂的统计图非常简洁，一行代码就替代了使用 Matplotlib 时需要手动计算统计量、设置标签、图例等大量代码，极大地提升了数据分析与可视化的效率。

📝 动手练一练

1. 概念辨析：stripplot 和 swarmplot 都是类别散布图，它们最主要的区别是什么？在什么情况下你会优先选择 swarmplot？

2. 动手实践：使用 tips 数据集，尝试将 sns.boxplot(x='day', y='tip', data=tips_data, hue='sex') 中的 x 和 y 参数对调，即改为 sns.boxplot(x='tip', y='day', ...)。观察生成的图形发生了什么变化？这种变化在解读数据时有什么不同的侧重点？

import seaborn as sns
import matplotlib.pyplot as plt
plt.switch_backend('Agg')
tips_data = sns.load_dataset('tips')
fig, ax = plt.subplots(figsize=(8,4))
sns.boxplot(x='tip', y='day', data=tips_data, hue='sex', ax=ax)
ax.set_title('交换x和y轴后的盒子图')
plt.close(fig)
print("图形已生成（想象或运行代码可见）。")

图形已生成（想象或运行代码可见）。

本章小结

本讲我们深入学习了 Seaborn 中用于类别数据可视化的三大类图形：

1. 类别散布图 (stripplot, swarmplot)：直观展示类别与数值的对应关系，swarmplot 能避免重叠，显示更清晰。
2. 类别内数据分布图 (boxplot, violinplot)：
   • 盒子图 精炼地展示了数据的四分位数、中位数、范围及离群值，是进行数据分布比较和异常值检测的利器。
   • 小提琴图 在盒子图的基础上增加了核密度估计，能揭示数据分布的具体形状（如双峰、偏态）。
3. 类别内统计图 (barplot, pointplot)：快速比较不同类别的统计量（默认是均值）。柱状图侧重比较大小，点图侧重展示趋势。

所有这些方法都共享 x, y, data, hue 这一套简洁而强大的参数体系，使得在 Seaborn 中进行复杂的多维度类别数据可视化变得异常高效。

📋 行动清单

• 在本地或线上环境运行本讲的示例代码，亲手生成每一幅图，并尝试修改参数（如调换 x、y，更换 hue 的列）。
• 为你手头的一个数据集（至少包含一个类别列和一个数值列）分别绘制盒子图和小提琴图，对比两者在揭示数据分布信息上的异同。
• 思考：如果你想展示“不同产品类别（类别）的月销售额（数值）随时间（另一个类别，如月份）的变化趋势”，结合本讲知识，你会选择哪种图形？为什么？（提示：考虑使用 pointplot 并设置 hue 为产品类别，x 为月份）。

—— 小象教研组