这篇文章主要为大家展示了“怎么用python的seaborn画数值箱型图”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下“怎么用python的seaborn画数值箱型图”这篇文章吧。
箱型图(box-plot),又称为箱线图,盒型图,盒须图。在数据探索阶段或者描述性分析过程中,我们常常用于展示多类连续型数据的数值分布情况,便于类间对比和快速识别异常值。
在一幅箱型图中,一个连续数值序列构成一个盒子,如下所示。
每一个盒子主要展示的是数据的上四分位数Q1(25%),中位数(50%),下四分位数Q3(75%)。划分异常值的界限我们称为上下极限,其离Q1,Q3分别是1.5IQR(IQR=Q3-Q1,称作四分位距)的距离,在上下极限之外的点,我们称为异常点。异常值在不同场景中受到不同的重视,如果是要研究目标群体的薪资水平,我们常常关注中位数和IQR,而不关注异常值。
借助爬虫技术,我们在某个时间的boss直聘首页随机获取了八个城市的三类检索词(数据分析师、数据挖掘工程师、算法工程师)的职位发布信息。一共得到的excel表如下所示。
每一个表内的数据如下:
(其中平均月薪的计算是简单地通过区间中位数*薪期/12得到,如8k-10k*16薪,则平均月薪为12000.
只需要导入每一个表格中的 职位名称 和 平均月薪 列。
import pandas as pd city8_fullname = ['北京','重庆','武汉','深圳','南京','广州','成都','上海'] job_type = ['数据分析师','数据挖掘工程师','算法工程师'] salary_dic = {} for i in range(len(city8_fullname)): df = pd.DataFrame(pd.read_excel('./Boss直聘数据-八个城市/Boss直聘-'+city8_fullname[i]+'.xls')) salary_dic[city8_fullname[i]] = df[['职位名称','平均月薪']] salary_dic[city8_fullname[i]]['城市'] = pd.Series([city8_fullname[i]]*df.shape[0]) ## 整合成画图需要的格式 salary = salary_dic[city8_fullname[0]] for i in range(1,8): salary = pd.concat([salary,salary_dic[city8_fullname[i]]],ignore_index="true")
得到的数据结构为:
这里,我们使用的是python语言,借助seaborn包完成。
import matplotlib.pyplot as plt import seaborn as sns # 中文与正负号显示设置 plt.rcParams['font.sans-serif'] = 'Microsoft YaHei' plt.rcParams['axes.unicode_minus'] = False # Draw plt.figure(figsize=(14,8), dpi= 100) sns.boxplot(x='城市', y='平均月薪', data=salary, hue='职位名称') sns.stripplot(x='城市', y='平均月薪', data=salary, color='black', size=2, jitter=1) for i in range(len(salary['城市'].unique())-1): plt.vlines(i+.5, 10, 45, linestyles='solid', colors='gray', alpha=0.2) plt.title('八大城市对口专业薪资分布', fontsize=20) plt.legend(title='职位类型') plt.xticks(fontsize=14) plt.xlabel('城市',fontsize=16) plt.ylabel('平均月薪',fontsize=16) plt.yticks(fontsize=14) plt.savefig(r'./绘图结果/薪资-薪资分布-箱线图.png')
sns.stripplot------用于画分布散点图(如果是大样本的话不适用,但有一种一半密度一半箱型的类别,可以避免散点覆盖的情况 )
plt.vlines-----画辅助线
hue-----可以理解为有多少组,在这里相当于出去城市外的第二个维度的分类。
结果图为:
上图中,我们是在箱型图的基础上加了散点的,目的在于了解各城市薪资的数值集中分布情况。
以上是“怎么用python的seaborn画数值箱型图”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。