### Python 数据可视化实战实训答案与教程 以下是基于提供的引用内容以及专业知识整理的关于 **Python 数据可视化实战实训** 的相关内容： #### 使用 Seaborn 和 Matplotlib 进行数据可视化 通过 `seaborn` 和 `matplotlib` 库可以实现复杂的数据可视化需求。例如，在分析父母受教育程度与课程完成情况之间的关系时，可以通过以下方式构建分类统计图[^1]。 ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 构建 DataFrame data = [ ["高中", "已完成"], ["本科", "未完成"], ["硕士", "已完成"], ["高中", "未完成"], ["本科", "已完成"] ] columns = ['父母教育程度', '课程完成情况'] df = pd.DataFrame(data, columns=columns) # 绘制分类统计图 plt.figure(figsize=(8, 5)) sns.countplot(x='父母教育程度', hue='课程完成情况', data=df) plt.title('父母受教育程度与课程完成情况分类统计') plt.xlabel('父母教育程度') plt.ylabel('学生人数') plt.legend(title='课程完成情况') plt.show() ``` 上述代码展示了如何利用 `pandas` 创建数据结构并使用 `seaborn` 可视化工具生成条形图来展示不同类别下的统计数据。 #### 数据读取与预处理 在实际应用中，通常需要先加载外部文件中的原始数据，并对其进行必要的清理和转换操作才能用于后续分析工作流程之中[^2]。下面是一个简单的例子说明如何从 CSV 文件导入表格型资料集并通过 Pandas 执行基础筛选过滤功能: ```python import pandas as pd # 加载CSV文件 file_path = './example.csv' df_raw = pd.read_csv(file_path) # 查看前几行记录确认无误后再继续下一步骤 print(df_raw.head()) # 假设我们只关心某些特定列，则可以选择它们形成新的子集对象供进一步探索研究之用。 selected_columns = ['年龄', '性别', '收入水平'] filtered_df = df_raw[selected_columns].dropna() # 输出清洗后的结果概览信息以便验证逻辑正确与否. print(filtered_df.describe()) ``` 此部分强调了对于任何成功的数据分析项目而言至关重要的前期准备工作——即高质量输入源的选择及其适当形式上的调整优化过程。 #### 高级图表制作技巧 除了基本类型的图形之外，《Python 数据分析与可视化》还介绍了更多高级别的呈现样式选项可供开发者选用以增强表达效果[^3]。比如当希望直观比较多个维度间数值大小差异的时候，“堆叠柱状图”可能就是一个不错的选择方案之一；而如果目标在于揭示时间序列趋势变化规律的话，则折线图往往更加合适一些等等... 这里给出一段创建横向堆积百分比直方图的具体实现方法作为示范参考： ```python import numpy as np import matplotlib.pyplot as plt labels = ['G1', 'G2', 'G3', 'G4', 'G5'] men_means = [20, 35, 30, 35, 27] women_means = [25, 32, 34, 20, 25] width = 0.35 # the width of the bars: can also be len(x) sequence fig, ax = plt.subplots() ax.bar(labels, men_means, width, label='Men') ax.bar(labels, women_means, width, bottom=men_means, label='Women') ax.set_ylabel('Scores') ax.set_title('Scores by group and gender') ax.legend() # Add some text for labels, title and custom x-axis tick labels, etc. for i in range(len(men_means)): total = men_means[i]+women_means[i] ax.text(i, total/2 , str(total)+'%', ha='center', va='bottom') plt.show() ``` 这段脚本演示了怎样组合两个独立变量共同作用于同一个坐标轴之上从而构成复合形态的整体画面布局设计思路。 ---