用python的seaborn画数值箱型图

2024-04-02 19:55

短信预约 -IT技能 免费直播动态提醒

一、概念介绍

箱型图（box-plot)，又称为箱线图，盒型图，盒须图。在数据探索阶段或者描述性分析过程中，我们常常用于展示多类连续型数据的数值分布情况，便于类间对比和快速识别异常值。

在一幅箱型图中，一个连续数值序列构成一个盒子，如下所示。

每一个盒子主要展示的是数据的上四分位数Q1(25%)，中位数（50%)，下四分位数Q3（75%)。划分异常值的界限我们称为上下极限，其离Q1,Q3分别是1.5IQR（IQR=Q3-Q1，称作四分位距）的距离，在上下极限之外的点，我们称为异常点。异常值在不同场景中受到不同的重视，如果是要研究目标群体的薪资水平，我们常常关注中位数和IQR，而不关注异常值。

二、数据展示

借助爬虫技术，我们在某个时间的boss直聘首页随机获取了八个城市的三类检索词（数据分析师、数据挖掘工程师、算法工程师）的职位发布信息。一共得到的excel表如下所示。

每一个表内的数据如下：

（其中平均月薪的计算是简单地通过区间中位数*薪期/12得到，如8k-10k*16薪，则平均月薪为12000.

三、数据导入

只需要导入每一个表格中的职位名称和平均月薪列。

import pandas as pd
city8_fullname = ['北京','重庆','武汉','深圳','南京','广州','成都','上海']
job_type = ['数据分析师','数据挖掘工程师','算法工程师']
salary_dic = {}
for i in range(len(city8_fullname)):
    df = pd.DataFrame(pd.read_excel('./Boss直聘数据-八个城市/Boss直聘-'+city8_fullname[i]+'.xls'))
    salary_dic[city8_fullname[i]] = df[['职位名称','平均月薪']]
    salary_dic[city8_fullname[i]]['城市'] = pd.Series([city8_fullname[i]]*df.shape[0])
## 整合成画图需要的格式
salary = salary_dic[city8_fullname[0]]
for i in range(1,8):
    salary = pd.concat([salary,salary_dic[city8_fullname[i]]],ignore_index="true")

得到的数据结构为：

四、画图

这里，我们使用的是python语言，借助seaborn包完成。

 
import matplotlib.pyplot as plt
import seaborn as sns
 
# 中文与正负号显示设置
plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False
# Draw
plt.figure(figsize=(14,8), dpi= 100)
sns.boxplot(x='城市', y='平均月薪', data=salary, hue='职位名称')
sns.stripplot(x='城市', y='平均月薪', data=salary, color='black', size=2, jitter=1)
for i in range(len(salary['城市'].unique())-1):
    plt.vlines(i+.5, 10, 45, linestyles='solid', colors='gray', alpha=0.2)
plt.title('八大城市对口专业薪资分布', fontsize=20)
plt.legend(title='职位类型')
plt.xticks(fontsize=14)
plt.xlabel('城市',fontsize=16)
plt.ylabel('平均月薪',fontsize=16)
plt.yticks(fontsize=14)
plt.savefig(r'./绘图结果/薪资-薪资分布-箱线图.png')

sns.stripplot------用于画分布散点图（如果是大样本的话不适用，但有一种一半密度一半箱型的类别，可以避免散点覆盖的情况）

plt.vlines-----画辅助线

hue-----可以理解为有多少组，在这里相当于出去城市外的第二个维度的分类。

结果图为：