<think>我们首先需要读取Excel文件，然后对每个变量进行描述性统计分析，并绘制独立的图表来展示分布特征、变化趋势等。 由于变量单位不一致，我们独立绘制每个变量的图表。同时，我们需要处理缺失数据，并在图中标注缺失值的位置。 步骤： 1. 导入必要的库：pandas, numpy, matplotlib, seaborn 2. 读取Excel文件 3. 检查缺失值，并在图中标注 4. 对每个变量，我们可以绘制以下图形： - 折线图（展示变化趋势） - 直方图（展示分布特征） - 箱线图（展示分布和异常值） 5. 由于变量较多，我们可以为每个变量单独绘制一个图表（包含多个子图），或者分别绘制不同的图表。 考虑到独立展现，我们可以为每个变量绘制一个包含多个子图的图表（例如，一行三列：折线图、直方图、箱线图），或者分别绘制不同的图表并分别保存。 另外，为了美化图形，我们可以使用seaborn风格，并调整颜色、标签等。 由于用户要求独立展现，且不需要合并到同一图表，我们可以为每个变量单独绘制一个图表（包含多个子图），这样每个变量的图表都是独立的。 具体步骤： 1. 读取数据 2. 遍历每个变量，绘制该变量的折线图（时间序列）、直方图和箱线图（如果数据是时间序列，则折线图可以展示趋势，直方图和箱线图展示分布）。 3. 在折线图上，用明显的标记标出缺失值的位置（例如，用红色点标记缺失值的位置）。 注意：数据中是否有时间信息？如果没有，我们假设数据是按时间顺序排列的（即索引为时间顺序）。如果有时间列，则用时间列作为横坐标。但题目中没有提到时间列，所以可能数据是按行顺序排列的，即每一行代表一个时间点（如年、月等）。因此，我们使用索引作为横坐标（时间点）。 如果数据中没有时间列，我们可以将行号作为横坐标（或者用户数据中可能隐含时间顺序）。但根据变量名称，我们猜测可能是时间序列数据（如多年份或多月份）。所以，我们假设数据是按时间顺序排列的。 在绘制折线图时，我们可以在缺失值的位置标记出来。具体做法：在折线图中，找到缺失值对应的索引位置，然后在该位置画一个红点。 由于每个变量单位不同，我们分别绘制，并分别设置纵坐标标签。 我们为每个变量创建一个图表，该图表包含三个子图： 子图1：折线图（含缺失值标记） 子图2：直方图 子图3：箱线图 代码步骤： - 设置图形风格 - 遍历每一列（每个变量） - 对于当前列： a. 创建一个包含三个子图的图形（1行3列） b. 第一个子图：折线图，横坐标为索引（行号），纵坐标为变量值。在缺失值的位置用红色点标记。 c. 第二个子图：直方图（分布图） d. 第三个子图：箱线图 注意：如果数据量不大，折线图可以标记每个数据点；如果数据量大，折线图可以不用标记每个点，只标记缺失点。 另外，我们还可以输出描述性统计量（如均值、标准差等）到控制台或者保存为文件，但用户要求的是图形展示。 处理缺失值标记： 在折线图中，我们可以先绘制折线，然后找出缺失值的索引位置，再在该索引位置绘制红色散点（点的大小可以大一点）。 代码示例： 由于数据文件路径为"D:\研究生\竞赛\能源经济学术创意大赛\yuce.xlsx"，我们使用pandas读取。 开始编写代码： </think> 以下是为您设计的Python代码，用于对Excel表格数据进行描述性统计分析并绘制独立图表。代码包含缺失值检测与标注、图表美化等功能： ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import numpy as np from matplotlib.ticker import FuncFormatter # 1. 数据准备 file_path = r"D:\研究生\竞赛\能源经济学术创意大赛\yuce.xlsx" df = pd.read_excel(file_path) # 设置中文显示 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 2. 创建独立图表 def plot_variable(data, var_name, unit): fig, axes = plt.subplots(3, 1, figsize=(12, 15)) fig.suptitle(f"{var_name} ({unit}) 分析", fontsize=16, y=0.98) # 检测缺失值 missing_idx = data[data[var_name].isnull()].index # 子图1：时间趋势图（带缺失值标注） ax1 = axes[0] data[var_name].plot(ax=ax1, color='#1f77b4', marker='o', linewidth=2) if not missing_idx.empty: ax1.scatter(missing_idx, [data[var_name].min()]*len(missing_idx), color='red', s=100, zorder=5, label='缺失值') ax1.legend() ax1.set_title(f"{var_name} 时间趋势", fontsize=14) ax1.set_ylabel(unit) ax1.grid(True, linestyle='--', alpha=0.7) ax1.set_facecolor('#f8f8f8') # 子图2：分布直方图 ax2 = axes[1] sns.histplot(data[var_name].dropna(), kde=True, color='#2ca02c', ax=ax2, bins=15) ax2.set_title(f"{var_name} 分布直方图", fontsize=14) ax2.set_xlabel(unit) ax2.grid(True, linestyle='--', alpha=0.5) # 子图3：箱线图（带异常值标注） ax3 = axes[2] sns.boxplot(x=data[var_name], ax=ax3, color='#ff7f0e', width=0.4) # 标注缺失值数量 missing_count = data[var_name].isnull().sum() stats_text = f"缺失值数量: {missing_count}\n" stats_text += f"均值: {data[var_name].mean():.2f}\n" stats_text += f"标准差: {data[var_name].std():.2f}" ax3.text(0.95, 0.95, stats_text, transform=ax3.transAxes, verticalalignment='top', horizontalalignment='right', bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5)) ax3.set_title(f"{var_name} 箱线图", fontsize=14) ax3.set_xlabel(unit) plt.tight_layout(rect=[0, 0, 1, 0.96]) plt.savefig(f"{var_name}_analysis.png", dpi=300, bbox_inches='tight') plt.close() # 3. 单位映射表 units = { "政策强度": "无量纲", "太阳能发电量(万千瓦时)": "万千瓦时", "风力发电量(亿千瓦时)": "亿千瓦时", "水平面太阳总辐射量(千瓦时/平方米)": "kWh/m²", "平均风速（m/s）": "m/s", "工业增加值同比增长(%)": "%" } # 4. 自动生成所有变量的图表 for col in df.columns: if col in units: # 只处理指定的变量 plot_variable(df, col, units[col]) # 5. 输出描述性统计结果 desc_stats = df.describe().T desc_stats['missing'] = df.isnull().sum() desc_stats['skewness'] = df.skew() print("描述性统计结果:") print(desc_stats[['count', 'missing', 'mean', 'std', 'min', '25%', '50%', '75%', 'max', 'skewness']]) # 6. 保存统计结果到Excel desc_stats.to_excel("描述性统计结果.xlsx") ``` ### 代码功能说明： 1. **数据读取**： - 自动读取Excel表格数据 - 处理中文路径问题 2. **图表设计**： - 为每个变量创建独立图表（3个子图） - 趋势图（带缺失值红色标注） - 分布直方图（含密度曲线） - 箱线图（含统计摘要） 3. **美化处理**： - 专业配色方案（科研论文风格） - 网格线增强可读性 - 自动标注单位信息 - 图表标题和标签美化 - 300dpi高清输出 4. **缺失值处理**： - 趋势图中用红点标注缺失位置 - 箱线图中显示缺失数量 - 输出表格包含缺失值统计 5. **统计输出**： - 控制台输出完整统计指标 - 自动生成统计结果Excel文件 - 包含偏度等分布特征指标 ### 使用说明： 1. 安装依赖：`pip install pandas matplotlib seaborn openpyxl` 2. 自动保存图表到当前目录（每个变量单独PNG文件） 3. 统计结果保存为"描述性统计结果.xlsx" 4. 图表文件名格式：`[变量名]_analysis.png`