当前位置：首页 > news >正文

原来报表与统计图要这么做！

news 来源：原创 2024/4/30 6:21:42

导读：报表与统计图作为数据信息输出的一种方式，被广泛运用于数据展示、交流等工作中。本文使用一份二手房数据演示如何制作报表与统计图。

报表可用于展现数据的主要信息，分为包含维度（分类变量）指标和度量（连续变量）指标的报表。

仅含有维度指标的报表称为频次表（单个分类变量）和交叉表（两个及以上分类变量），含有维度和度量两类指标的报表称为汇总表，其中度量指标总是以某个统计量的形式出现，最常出现的是均值、总和、频次。

条形图是一种运用非常广泛的数据展示图，便于分类变量之间的数据对比。条形图和报表有一一对应关系。如果有一个分类变量，条形图就是一维的；如果有两个分类变量，条形图就是二维的。条的长度对应频次或度量指标的某个统计量，如图1所示。

图1　报表与统计图形

接下来使用一份二手房数据（sndHsPr.csv）演示如何制作报表。对于二手房，我们不但关心其本身的统计特征（统计量），还关心影响这个变量的因素，如表1所示。

表1　二手房数据

制作报表就是根据数据类型选取合适的统计量并进行展现的过程。图2表现的是一个比较全面的二维表模板，三维表只不过是简单的叠加而已。水平轴和垂直轴分别是两个分类变量。单元格中存放的是某个变量的统计量。如果单元格中没有放入任何变量，其展现的是频次或百分比等指标。如果单元格中放入某个连续变量，其展现的就是这个连续变量的某个统计量，比如均值、总和等。

图2　二维表模板

将二维表模板的内容进行缩减，可以得到单因子频数、表分析、汇总统计量，具体说明如下。

1）单因子频数：仅分析单个分类变量的分布情况，提供每个分类水平的频次、百分比和累积值，如图3所示。

图3　单因子频数统计示意

snd为读入数据后的数据框名称，district为该住房所在城区的中文名称，value_counts函数用于获取每个城区出现的频次，完整的语句为snd.district.value_counts()。用条形图展现频次统计的语句为snd.district.value_counts().plot(kind = 'bar')，其中“kind =”为图表类型，bar表示柱形图，如图4所示。

图4　单因子统计图形示意

2）表分析：分析两个分类变量的联合分布情况，提供每个单元格中样本出现的频次、百分比和边沿分布情况，如图5所示。

图5　表分析示意

表分析（也称交叉表）使用的函数为pd.crosstab，比如分析是否有地铁与是否是学区房之间的关系，语句为pd.crosstab(snd.subway,snd.school)。我们可以使用标准化堆叠柱形图对表分析的结果进行展现。其步骤是先获取交叉表的结果，然后使用div(sub_sch.sum(1),axis = 0)函数计算交叉表的行百分比，最后绘制柱形图，如图6所示。

图6　表分析统计图形

堆叠柱形图易于展现横轴变量的分布情况，标准化堆叠柱形图易于做比较，笔者推荐采用图7来展现全部交叉表信息。本书提供了stack2dim函数制作堆叠柱形图，其主要参数raw为Pandas的数据框，i、j为两个分类变量的变量名称，要求带引号，比如"school"。

图7　堆叠柱形图示意

3）汇总统计量：按照某个分类变量分组，对连续变量进行描述性统计，如图5-18所示。

图8　汇总统计量示意

图9展现了每个城区单位面积房价的统计信息，我们可以使用Pandas提供的函数snd.price.groupby(snd.district).agg(['mean', 'max', 'min'])获取。该语句的含义为按照district变量分组，计算price的均值、最大值、最小值，其中agg函数的功能是归并若干个函数的结果。