贾俊平《数据分析基础—基于Python的实现》（02）第2章 数据可视化分析（DA）.pptxVIP

;;?; 2.1 类别数据可视化; 2.1 类别数据可视化; 2.1 类别数据可视化; 2.1 类别数据可视化; 2.1 类别数据可视化; 2.1 类别数据可视化; 2.1 类别数据可视化;数据的分布特征：主要是指分布的形状是否对称、分布偏斜的方向和程度、分布中是否存在离群点等，其可视化图形主要有直方图、核密度图、箱线图、小提琴图和点图等 本节图适用的数据类型包括：一个或多个数值变量（数据），如一年中每一天的空气质量指数，一年中每一天的PM2.5、PM10等；按因子（类别变量）分类的一个或多个数值变量（数据），如按空气质量等级（优、良、轻度污染、中度污染、重度污染、严重污染）分类的空气质量指数，等等; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化; 2.2 数据分布可视化;对于多个数值变量，我们通常关心这些变量之间是否有某种关系。散点图（scatter plot）就是分析数值变量间关系的常用工具。只分析两个变量时，可以绘制普通散点图；分析两个以上变量时，可以绘制散点图矩阵或相关系数矩阵 本节图形适用的数据包括：两个或多个数值变量；按因子分类的两个或多个数值变量; 2.3 变量间关系可视化; 2.3 变量间关系可视化; 2.3 变量间关系可视化; 2.3 变量间关系可视化; 2.3 变量间关系可视化; 2.3 变量间关系可视化; 2.3 变量间关系可视化;比较多个样本在多个变量上的相似性 图形主要有轮廓图、雷达图、星图、脸谱图、聚类图、热图等，限于篇幅，本章主要介绍轮廓图和雷达图 本节图形适用的数据??括：在多个样本（两个或两个以上）上获得的多个数值变量; 2.4 样本相似性可视化; 2.4 样本相似性可视化;时间序列（time series）是一种常见的数据形式，它是在不同时间点上记录的一组数据，如各年份的GDP数据、各月份的CPI数据、一年中各交易日的股票价格指数收盘数据等 通过可视化，可以观察时间序列的变化模式和特征。时间序列的可视化图形有多种，其中最基本的是折线图（line chart）和面积图（area graph） 本节图形适用的数据：时间序列。 本节图形适用的数据包括：时间序列; 2.5 时间序列可视化; 2.5 时间序列可视化; 2.6 可视化的注意事项;THE END