### 如何进行 Z-Score 可视化 为了更好地理解数据集中的异常值以及标准化后的数据分布，可以利用 `matplotlib` 和 `seaborn` 库来进行 Z-Score 的可视化。以下是具体实现方式： #### 使用 Matplotlib 绘制 Z-Score 图表 通过计算给定数据集中每个样本的 Z-Score 值，并将其绘制成直方图或箱线图等形式，能够直观地观察到哪些点可能被认为是离群点。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import zscore # 创建随机数作为示例数据 data = np.random.normal(loc=50, scale=10, size=(100)) # 计算Z分数 z_scores = zscore(data) plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) plt.hist(z_scores, bins='auto', alpha=0.7, color='#0504aa') plt.grid(axis='y', alpha=0.75) plt.xlabel('Z Score Value') plt.ylabel('Frequency') plt.title('Histogram of Z Scores') plt.subplot(1, 2, 2) plt.boxplot(z_scores, vert=False) plt.title('Box Plot of Z Scores') plt.show() ``` 这段代码展示了如何创建一组正态分布的数据并对其进行 Z-Score 转换，接着分别用直方图和箱形图两种形式展现转换后数据的特点[^1]。 #### 利用 Seaborn 进行更美观的呈现 Seaborn 是基于 Matplotlib 构建的一个高级接口库，在处理统计图形方面提供了更加简洁易懂的方式。对于想要快速生成高质量图像的研究人员来说非常有用。 ```python import seaborn as sns sns.set_theme(style="whitegrid") tips = sns.load_dataset("tips") # 加载内置的小费数据集 total_bill_zscores = tips['total_bill'].apply(lambda x: (x - tips['total_bill'].mean()) / tips['total_bill'].std()) f, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6), sharex=True) sns.violinplot(y=total_bill_zscores, ax=axes[0]) axes[0].set_title('Violin Plot of Total Bill Z-Scores') sns.kdeplot(data=total_bill_zscores, shade=True, ax=axes[1], color="r") axes[1].set_title('Density Plot of Total Bill Z-Scores') plt.tight_layout() plt.show() ``` 此部分代码使用了 Seaborn 提供的功能来加载一个公开可用的数据集，并针对其中某一列进行了 Z-Score 处理；随后采用小提琴图与密度估计曲线相结合的形式对结果进行了展示[^2]。