练习：单变量数据分析

此练习将单变量分析方法应用到一个真实数据集中。它涵盖了如何使用Python库为数值变量和类别变量计算描述性统计量并生成可视化图表。

准备工作：加载数据

我们将使用'penguins'数据集，它可以通过Seaborn库方便地获取。此数据集包含不同企鹅物种的测量数据。首先，确保你已安装并导入Seaborn和Pandas。然后，加载数据集：

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

# 加载数据集
penguins_df = sns.load_dataset('penguins')

# 显示基本信息和前几行，以了解数据
print("数据集信息：")
penguins_df.info()

print("\n前5行：")
print(penguins_df.head())

# 在本次练习中，简单处理缺失值
# (在实际情况中，你会使用第2章的方法)
penguins_df.dropna(inplace=True)
print("\n删除NaN值后的数据集信息：")
penguins_df.info()

这个初始输出向我们显示了列、它们的数据类型（例如数值测量值的float64，类别字符串的object），并确认存在一些缺失值，为了本练习的简便，我们已将其删除。

分析数值变量：flipper_length_mm

我们来查看企鹅的鳍肢长度。

描述性统计

我们可以使用.describe()方法对此特定列（Series）进行快速统计汇总。

# 计算flipper_length_mm的描述性统计量
flipper_stats = penguins_df['flipper_length_mm'].describe()
print("\n鳍肢长度（毫米）的描述性统计量：")
print(flipper_stats)

# 单独计算中位数（通常很有用）
flipper_median = penguins_df['flipper_length_mm'].median()
print(f"\n鳍肢中位数长度：{flipper_median} 毫米")

# 计算偏度
flipper_skew = penguins_df['flipper_length_mm'].skew()
print(f"鳍肢长度的偏度：{flipper_skew:.2f}")

解读： .describe()的输出提供了计数、均值、标准差（$\sigma$）、最小值、最大值和四分位数（第25百分位数或Q1，第50百分位数或中位数，第75百分位数或Q3）。中位数给我们提供了对异常值不敏感的中心点。偏度值（接近0表示近似对称，正值表示右偏，负值表示左偏）可以快速检查分布的形态。在此处，偏度接近0表明在处理缺失数据后，鳍肢长度的分布相当对称。

分布可视化：直方图

直方图非常适合可视化分布的形态、集中趋势和离散程度。

# 设置绘图风格（可选，为了美观）
sns.set_style("whitegrid")

# 为flipper_length_mm创建直方图
plt.figure(figsize=(8, 5))
sns.histplot(data=penguins_df, x='flipper_length_mm', kde=True, bins=15, color='#4dabf7')
plt.title('企鹅鳍肢长度分布')
plt.xlabel('鳍肢长度 (毫米)')
plt.ylabel('频数')
plt.show()

直方图显示了企鹅鳍肢长度的频数分布。曲线（KDE）提供了分布的平滑估计。

解读： 直方图直观地证实了偏度值所暗示的近似对称、大致呈钟形的分布。大多数鳍肢长度集中在中心（均值/中位数附近）。kde=True参数 (parameter)添加了核密度估计曲线，提供了分布的平滑轮廓。bins=15指定了要使用的条形数量；尝试此数量有时可以显示分布的不同特性。

汇总统计可视化：箱线图

箱线图能有效比较汇总统计量（中位数、四分位数、范围），并根据IQR规则识别潜在异常值。

# 为flipper_length_mm创建箱线图
plt.figure(figsize=(6, 4))
sns.boxplot(data=penguins_df, x='flipper_length_mm', color='#96f2d7')
plt.title('企鹅鳍肢长度的箱线图')
plt.xlabel('鳍肢长度 (毫米)')
plt.show()

箱线图汇总了企鹅鳍肢长度的分布情况。箱体表示IQR（Q1到Q3），内部的线是中位数，晶须延伸显示数据范围（不包括异常值，通常为1.5 * IQR）。晶须之外的点是潜在异常值。

解读： 箱线图清楚地显示了中位数（约200毫米）、IQR（箱体本身，根据.describe()大约为193毫米到209毫米），以及由晶须指示的整体范围。在这个特定图中，删除NaN值后，似乎没有点被标记 (token)为异常值，这表明根据标准IQR规则（Q3 + 1.5IQR或Q1 - 1.5IQR），没有极端值。

分析类别变量：species

现在我们来查看species列。

频数和比例

对于类别数据，我们想知道每个类别中有多少观测值。

# 计算species的频数
species_counts = penguins_df['species'].value_counts()
print("\n物种频数：")
print(species_counts)

# 计算比例（百分比）
species_proportions = penguins_df['species'].value_counts(normalize=True) * 100
print("\n物种比例（%）：")
print(species_proportions)

解读： .value_counts()方法列出了每个独特的物种以及属于该物种的企鹅数量。将normalize=True设置为真会把这些计数转换为比例（或乘以100后的百分比），显示数据集中每个物种的相对频率。我们看到在此清洗过的数据集中，阿德利企鹅物种最为常见。

频数可视化：条形图

条形图是比较不同类别频数的理想工具。

# 为物种计数创建条形图
plt.figure(figsize=(7, 5))
# 使用countplot直接计数并绘图
sns.countplot(data=penguins_df, x='species', palette=['#ff8787', '#74c0fc', '#74b816'], order=species_counts.index)
plt.title('各物种企鹅数量')
plt.xlabel('物种')
plt.ylabel('数量')
plt.show()

条形图显示了数据集中每种企鹅的计数。

解读： 条形图提供了物种数量的即时视觉比较，确认了在我们的处理数据中，阿德利企鹅物种的代表性最高，其次是金图企鹅，然后是帽带企鹅。order=species_counts.index参数 (parameter)确保条形按频率降序绘制，这通常有助于提高可读性。使用特定的palette可以控制颜色。

练习总结

在本次练习中，你对企鹅数据集中的数值变量（flipper_length_mm）和类别变量（species）应用了单变量分析方法。你计算了重要的描述性统计量，并生成了直方图、箱线图和条形图，以图表形式表示它们的分布和频数。这种逐个查看变量的过程是你在查看变量之间关系之前，理解数据基本特征的根本方式。