### 描述性统计分析与图表生成 #### Python中的描述性统计分析 为了执行描述性统计分析，Pandas 提供了一系列方法用于计算统计数据。这些操作可以帮助理解数据的主要特征[^1]。 ```python import pandas as pd # 假设已加载了一个名为 df 的 DataFrame 对象 description = df.describe() print(description) ``` 这段代码会输出数值列的基本统计量，如计数、平均值、标准差、最小值、四分位数以及最大值。 对于分类变量，则可以通过 `value_counts()` 方法获取频次分布： ```python category_distribution = df['column_name'].value_counts(normalize=True).mul(100) print(category_distribution) ``` 这将返回指定列中不同类别的频率百分比。 #### 图表生成 ##### 使用Matplotlib创建简单折线图 当涉及到简单的二维绘图时，Matplotlib 是一个非常强大的工具。下面的例子展示了如何利用 NumPy 和 Matplotlib 来绘制正弦函数图像[^2]。 ```python import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 10, 100) y = np.sin(x) plt.plot(x, y) plt.title('Sine Wave') plt.xlabel('Angle [radians]') plt.ylabel('sin(x)') plt.grid(True) plt.show() ``` 此脚本定义了一组 x 轴上的点，并通过 sin 函数得到对应的 y 值；接着调用了 plot 函数画出了这两者之间的关系曲线，并设置了标题和坐标轴标签。 ##### 结合Seaborn进行更复杂的数据可视化 如果希望进一步增强图形的表现力，可以考虑使用 Seaborn 这样的高层次接口来进行更加美观且信息丰富的可视化工作。例如，在鸢尾花(Iris)数据集中展示花瓣长度的分布情况及其核密度估计(KDE)[^4]。 ```python import seaborn as sns sns.set_theme(style="whitegrid") iris = sns.load_dataset("iris") # 加载内置的 Iris 数据集 g = sns.displot( iris, x="petal_length", col="species", # 将物种作为子图排列依据 kde=True # 启用 KDE 曲线拟合 ) g.fig.suptitle('Distribution of Petal Length by Species', y=1.03) plt.show() ``` 上述代码片段不仅能够直观地反映出各个类别下样本的数量差异，还能借助于平滑的概率密度曲线帮助识别潜在模式或异常现象的存在。