### 回答： #### **1）使用 pandas 库读取数据集 `employee.csv`** 首先需要导入 Pandas 库，并通过其提供的函数加载 CSV 文件。示例如下： ```python import pandas as pd # 使用 pandas 的 read_csv 函数读取 employee.csv 数据文件 data = pd.read_csv('employee.csv') # 查看前几行数据，了解数据结构 print(data.head()) ``` --- #### **2）分析第二产业人员就业数据年度分布的离散性趋势情况** 为了分析离散性趋势，可以计算一些统计量如标准差 (`std`) 和方差 (`variance`) 来衡量波动程度；还可以绘制直方图观察分布形态。 假设数据集中有列名表示“年份”和“第二产业就业人数”，代码如下： ```python second_industry_data = data[['year', 'Second_Industry_Employees']] # 假设 year 表示年份，Second_Industry_Employees 表示第二产业就业人数 # 计算统计指标 mean_value = second_industry_data['Second_Industry_Employees'].mean() std_deviation = second_industry_data['Second_Industry_Employees'].std() print(f"均值: {mean_value}, 标准差: {std_deviation}") # 绘制直方图 import matplotlib.pyplot as plt plt.hist(second_industry_data['Second_Industry_Employees'], bins=10) plt.title("第二产业就业人数 年度分布") plt.show() ``` --- #### **3）绘制 2000–2019 年各产业就业人员散点图** 假设有三列分别代表第一、二、三产业的就业人数，可以用 Matplotlib 或 Seaborn 进行可视化： ```python import seaborn as sns subset_data = data[(data['year'] >= 2000) & (data['year'] <= 2019)] sns.scatterplot(x='year', y='First_Industry_Employees', label="第一产业", data=subset_data) sns.scatterplot(x='year', y='Second_Industry_Employees', label="第二产业", data=subset_data) sns.scatterplot(x='year', y='Third_Industry_Employees', label="第三产业", data=subset_data) plt.legend() plt.xlabel("年份") plt.ylabel("就业人数") plt.title("2000-2019 各产业就业人员散点图") plt.show() ``` --- #### **4）绘制 2000–2019 年各产业就业人员折线图** 同样基于上述子集数据，用折线图展示变化趋势更直观： ```python plt.plot(subset_data['year'], subset_data['First_Industry_Employees'], label="第一产业") plt.plot(subset_data['year'], subset_data['Second_Industry_Employees'], label="第二产业") plt.plot(subset_data['year'], subset_data['Third_Industry_Employees'], label="第三产业") plt.legend() plt.xlabel("年份") plt.ylabel("就业人数") plt.title("2000-2019 各产业就业人员折线图") plt.show() ``` --- #### **5）绘制 2019 年各产业就业人员饼图** 提取 2019 年的具体数据并生成饼状图： ```python year_2019_data = data[data['year'] == 2019] labels = ['第一产业', '第二产业', '第三产业'] values = [year_2019_data['First_Industry_Employees'].iloc[0], year_2019_data['Second_Industry_Employees'].iloc[0], year_2019_data['Third_Industry_Employees'].iloc[0]] plt.pie(values, labels=labels, autopct='%1.1f%%') plt.title("2019 年各产业就业人员比例") plt.show() ``` --- #### **6）绘制 2019 年各产业就业人员柱形图** 柱状图适合比较各类别的数值大小： ```python x_labels = ['第一产业', '第二产业', '第三产业'] plt.bar(x_labels, values, color=['blue', 'green', 'red']) plt.ylabel("就业人数") plt.title("2019 年各产业就业人员柱形图") plt.show() ``` --- #### **7）绘制 2000–2019 年各产业就业人员年末总人数箱线图** 将所有年份的总计数汇总到一起绘制成箱线图： ```python total_workers_by_year = data.groupby('year')[['First_Industry_Employees', 'Second_Industry_Employees', 'Third_Industry_Employees']].sum().reset_index() box_plot_data = total_workers_by_year[['First_Industry_Employees', 'Second_Industry_Employees', 'Third_Industry_Employees']] plt.boxplot(box_plot_data.values, labels=x_labels) plt.ylabel("年末总人数") plt.title("2000-2019 各产业年末总人数 箱线图") plt.show() ``` --- #### **8）查看 Scikit-Learn 自带的小规模数据集的数据结构** Scikit-learn 提供了一些经典小规模数据集，可以直接加载它们的数据信息： ```python from sklearn.datasets import load_iris, load_digits, fetch_california_housing # 加载 iris 数据集 iris = load_iris() print(iris.DESCR) # 打印描述内容 print("\nIris 特征形状:", iris.data.shape) print("目标变量形状:", iris.target.shape) # 加载 digits 数字识别数据集 digits = load_digits() print("\nDigits 特征形状:", digits.data.shape) print("目标变量形状:", digits.target.shape) # 加载 California 房价预测数据集 california_house = fetch_california_housing() print("\nCalifornia Housing 特征形状:", california_house.data.shape) print("目标变量形状:", len(california_house.target)) ``` --- **总结**: 上述步骤展示了如何利用 Python 中的 Pandas、Matplotlib 及 Scikit-learn 完成数据分析任务及常用图表制作。 ---