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

Seaborn 类别可视化精解：箱线图 boxplot、小提琴图 violinplot 与条形图 barplot

小象实战讲义 · Python数据分析实战

在业务分析中，研究离散分类变量（如不同部门、不同渠道、不同用户等级）与连续数值指标（如薪酬、消费额、活跃时长）之间的对应关系是绝大多数报表的核心。针对类别型数据，Seaborn 构建了极其强大的类别可视化图元家族（Categorical Plots）：包括呈现五数概括与离群点的 boxplot()（箱线图）、融合了箱线图与核密度估计的 violinplot()（小提琴图）、展示真实样本分布的 stripplot() / swarmplot()，以及呈现均值与误差棒的 barplot()。本节我们将系统掌握类别数据的可视化体系。

💡 核心导读

• 三大类别数据分布呈现形态：
  • 箱线图（boxplot）：精准标定中位数、四分位距 IQR 与离群点（Outliers）；
  • 小提琴图（violinplot）：对称展现各分类内部的概率密度分布形态（识别多峰特性）；
  • 蜂群散点图（swarmplot）：点与点互不重叠，真实呈现每个样本点在类别内的位置。
• 类别统计度量图元：barplot()（均值 + 置信区间误差棒）与 countplot()（频数计数）。
• 复合叠加呈现（箱线图 + 抖动散点图）。

1. 箱线图 vs 小提琴图：分布与离群点深度对比

箱线图与小提琴图的核心区别如下：

┌─────────────────────────────────────────────────────────────┐
│                 箱线图 vs 小提琴图结构对比                  │
├──────────────────────────────┬──────────────────────────────┤
│ 1. 箱线图 (Boxplot)          │ 2. 小提琴图 (Violinplot)     │
│ • 突出五数概括 (Q1, 中位数, Q3)│ • 内部包含简略箱线           │
│ • 明确标出 IQR 离群散点      │ • 外侧轮廓为对称的 KDE 密度  │
│ • 适合排查异常值             │ • 适合发现组内双峰/多峰分布  │
└──────────────────────────────┴──────────────────────────────┘

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 解决中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")

# 1. 模拟各部门员工薪资分布 (技术部双峰分布, 市场部右偏长尾)
np.random.seed(42)
salary_tech = np.concatenate([np.random.normal(15000, 2000, 60), np.random.normal(30000, 3000, 40)])
salary_mkt = np.random.exponential(scale=6000, size=100) + 8000
salary_ops = np.random.normal(11000, 1500, 100)

df_salaries = pd.DataFrame({
    "salary": np.concatenate([salary_tech, salary_mkt, salary_ops]),
    "department": ["技术部"] * 100 + ["市场部"] * 100 + ["运营部"] * 100
})

# 2. 并排对比箱线图与小提琴图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(11, 4.8))

# 左图: 箱线图 (清晰展示中位数与离群点)
sns.boxplot(data=df_salaries, x="department", y="salary", palette="Set2", ax=ax1)
ax1.set_title("各部门薪酬箱线图 (Boxplot)", fontsize=12)
ax1.set_ylabel("月薪 (元)")

# 右图: 小提琴图 (清晰展现技术部的双峰形态与市场部的长尾)
sns.violinplot(data=df_salaries, x="department", y="salary", palette="Set2", inner="quartile", ax=ax2)
ax2.set_title("各部门薪酬小提琴图 (Violinplot - 密度形态)", fontsize=12)
ax2.set_ylabel("月薪 (元)")

plt.tight_layout()
plt.savefig("box_violin_demo.png", bbox_inches="tight")
plt.close(fig)
print("✅ 箱线图与小提琴图对比绘制完成！")

2. 条形图 barplot 与频数计数 countplot

barplot 自动计算各分类的平均值与 95% 置信区间误差棒，countplot 专门统计各类别样本量。

# 绘制 barplot 均值对比与 countplot 样本计数
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4.5))

# 1. 均值条形图 (带黑色误差棒)
sns.barplot(data=df_salaries, x="department", y="salary", palette="Blues_d", ax=ax1, errorbar="ci")
ax1.set_title("各部门平均薪酬对比 (带 95% 置信区间误差棒)", fontsize=11)
ax1.set_ylabel("平均月薪 (元)")

# 2. 类别计数图 (countplot)
sns.countplot(data=df_salaries, x="department", palette="pastel", ax=ax2)
ax2.set_title("各部门样本人数统计 (Countplot)", fontsize=11)
ax2.set_ylabel("样本数量 (人)")

plt.tight_layout()
plt.savefig("bar_count_demo.png", bbox_inches="tight")
plt.close(fig)

import os
for f in ["box_violin_demo.png", "bar_count_demo.png"]:
    if os.path.exists(f): os.remove(f)
print("✅ 类别统计度量图生成完成！")

📝 动手练一练

1. 概念思考题：当数据集在某个类别内部存在明显的“双峰分布”（如技术部包含初级工程师与资深架构师两个明显群体）时，为什么小提琴图比传统的箱线图更能暴露真实分布情况？

   👉 点击查看参考答案

   参考答案： 箱线图只根据排序位置计算 $Q_1$、$Q_2$、$Q_3$，无法体现数据密度的凹陷与隆起，会将双峰数据误表现为一个均匀的大箱子；而小提琴图的外侧轮廓是真实的 KDE 概率密度曲线，能够清晰展现中间细长、上下两端隆起的“葫芦形/双峰”轮廓。

2. 编程练习：给定 DataFrame，请使用 sns.countplot() 统计类别列 'city' 的出现频次，并按频次从多到少排序。

   👉 点击查看参考答案

   参考答案：

   import seaborn as sns
   import matplotlib.pyplot as plt
   df = pd.DataFrame({'city': ['北京', '上海', '北京', '广州', '北京', '上海']})
   order = df['city'].value_counts().index
   sns.countplot(data=df, x='city', order=order)
   plt.close()

本章小结

• 深入掌握了箱线图在标定五数概括与 IQR 离群点中的标准应用；
• 熟练运用小提琴图（violinplot）洞察组内复杂的多峰与长尾概率密度；
• 掌握了 barplot（均值与置信误差棒）与 countplot（频数分布）的业务场景实操。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《现代 Web 交互式可视化引擎：Bokeh 核心架构与工具集》！

—— 小象教研组