AIPND条形图实战：用分类数据讲好故事的5个技巧

AIPND条形图实战用分类数据讲好故事的5个技巧【免费下载链接】AIPNDCode and associated files for the AI Programming with Python Nanodegree Program项目地址: https://gitcode.com/gh_mirrors/ai/AIPNDAIPNDAI Programming with Python Nanodegree项目里藏着一整套数据可视化实战练习其中的条形图练习专门训练你用分类数据讲出清晰的故事。今天这篇文章我们就从 Bar_Chart_Practice.ipynb 出发用 Pokémon 数据集学会 5 个实用的分类数据条形图技巧帮你从会画图进阶到会讲故事的数据可视化新手。认识实战素材Pokémon 数据集与条形图练习AIPND 的 Matplotlib 目录收录了从单变量到多变量的一系列可视化练习难度循序渐进。本文的主角 Bar_Chart_Practice.ipynb 配套 pokemon.csv记录了 800 只宝可梦的世代generation_id、属性type_1 / type_2等字段练习任务有两个统计每个世代引入的宝可梦数量绘制频数条形图统计每种属性出现的比例绘制排序后的相对频率条形图。画完卡壳也不用慌solutions_univ.py 中的bar_chart_solution_1()与bar_chart_solution_2()给出了完整解法。建议先自己动手再对照答案收获更大 技巧一先分清数据类型条形图只服务分类数据条形图的每个柱子都代表一个类别宝可梦的世代、属性、出生年份……这些由有限取值组成的变量就是分类数据。与之相对身高、体重这类连续数值更适合用直方图。就像项目中的 intropylab-classifying-images 实验用 CNN 识别宠物品种一样照片里的金毛、虎斑猫、斑点狗各自代表一个类别标签——这正是分类数据的直观写照如果想统计图库里每种动物各有多少张照片横轴放动物类别、柱子高度放照片数量就是一张标准的分类数据条形图。而 Histogram_Practice.ipynb 练的则是连续数值场景两者千万别搞混——分清数据类型是画对图的第一步。技巧二用 seaborn 的 countplot 一键统计频数画分类数据条形图最省力的武器是 seaborn 的countplot。只需指定数据和列名它就会自动完成每个类别出现几次的统计并绘制出来例如sb.countplot(datapokemon, xgeneration_id)。这就是最基础的频数条形图也是分类数据可视化的起点一行代码即可让你的数据开口说话。技巧三按频数排序让最受欢迎一目了然未排序的条形图容易让人抓不住重点。先用value_counts()算出各类别的频数并取得顺序再把这个顺序传给order参数柱子就会从高到低整齐排列——最高频的类别自动占据 C 位读者一眼就能读出水属性最多这类结论。排序这个小动作能让分类数据的故事立刻清晰起来是提升图表说服力的关键。技巧四类别超过 10 个果断换成水平条形图宝可梦属性多达 18 种竖着画不仅拥挤类别标签还容易重叠。把变量放到 y 轴画水平条形图名称就能舒展地横向排开阅读体验大幅提升。solutions_univ.py 的第二个解法正是这样处理的同时还为 X 轴补上proportion标签明确告诉读者柱子长度代表的是比例而非绝对数量。技巧五用相对频率讲占比故事数量之外我们常常更关心每种类别占多少比例。这里藏着一个经典陷阱宝可梦可能同时拥有两种属性把所有属性的频数相加会超过物种总数。正确做法是用唯一物种数species.unique()作为分母再让各属性频数除以它得到相对频率并把坐标轴刻度显示为 0.00、0.02 这样的比例值。这样读者能直接读出大约 25% 的宝可梦带有草属性的结论故事性瞬间拉满。延伸练习在 AIPND 里继续打磨数据可视化掌握分类数据条形图后AIPND 还有更多练习等你挑战Categorical_Plot_Practice.ipynb基于燃油经济数据进阶探索多个分类变量之间的关系Histogram_Practice.ipynb用直方图刻画连续数值分布Scatterplot_Practice.ipynb 与 Violin_and_Box_Plot_Practice.ipynb双变量可视化的经典工具Scales_and_Transformations_Practice.ipynb应对长尾分布的坐标变换技巧。小结条形图不是简单地把柱子立起来而是用分类数据讲故事的表达艺术。分清数据类型、正确统计频数、按频数排序、选对方向、算准占比——掌握这 5 个 AIPND 条形图实战技巧你的数据可视化作品就能从能看升级到耐看让每个类别都开口说话 【免费下载链接】AIPNDCode and associated files for the AI Programming with Python Nanodegree Program项目地址: https://gitcode.com/gh_mirrors/ai/AIPND创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考