探索数据分布 |设置 1

每当我们从事数据科学和机器学习工作时，我们处理数据并从中找到有用信息的方法都是基于数据的分布。
分布意味着数据如何以不同的可能方式呈现，特定数据的百分比，识别异常值。所以，数据分布就是用图形化的方法来组织和展示有用信息的方式。

与探索数据分布相关的术语

-> Boxplot
-> Frequency Table
-> Histogram 
-> Density Plot

• 箱线图：它基于数据的百分位数，如下图所示。箱线图的顶部和底部分别是数据的^{第 75 和第 25 个百分}位数。延长线称为须线，包括其余数据的范围。
  

  要获取所使用的csv文件的链接，请单击此处。

  代码 #1：加载库

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

  代码 #2：加载数据

  data = pd.read_csv("../data/state.csv")
    
  # Adding a new column with derived data 
  data['PopulationInMillions'] = data['Population']/1000000
    
  print (data.head(10))
  

  输出 ：
  

  代码#3：箱线图

  # BoxPlot Population In Millions
  fig, ax1 = plt.subplots()
  fig.set_size_inches(9,  15)
    
  ax1 = sns.boxplot(x = data.PopulationInMillions, orient ="v")
  ax1.set_ylabel("Population by State in Millions", fontsize = 15)
  ax1.set_title("Population - BoxPlot", fontsize = 20)
  

  输出 ：
  

• 频率表：它是一种将数据分布到等距范围、段中的工具，并告诉我们每个段中有多少值。

  代码 #1：添加一列以执行交叉表和分组功能。

  # Perform the binning action, the bins have been
  # chosen to accentuate the output for the Frequency Table
    
  data['PopulationInMillionsBins'] = pd.cut(
      data.PopulationInMillions, bins =[0, 1, 2, 5, 8, 12, 15, 20, 50])
    
  print (data.head(10))
  

  输出 ：
  

  代码#2：交叉表——一种频率表

  # Cross Tab - a type of Frequency Table
    
  pd.crosstab(data.PopulationInMillionsBins, data.Abbreviation, margins = True)
  

  输出 ：
  

  代码#3： GroupBy——一种频率表

  # Groupby - a type of Frequency Table
    
  data.groupby(data.PopulationInMillionsBins)['Abbreviation'].apply(', '.join)
  

  输出 ：