数据分析及可视化 课件 第3章-数据的基本可视化方法；第4章-数据挖掘基础及可视化

第3章数据的基本可视化方法3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图

2.纵向数据的绘图

3.1.2Matplotlib的图形设置1.图形大小设置2.标题、标签及颜色3.线型和符号3.1基于列表的可视化matplotlib

是Python的基本绘图包，是一个Python的图形框架。它是Python最著名的绘图库，提供了一整套和Matlab

相似的命令API，十分适合交互式地进行制图。在绘制中文图形时，须作一些基本设置。3.1.1Matplotlib的基本绘图1.横向数据的绘图3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（1）条图（bar）条图又称条形图或柱形图，是以宽度相等的条形高度或长度的差异来显示统计指标数值多少或大小的一种图形。条图的高度可以是频数或频率，图的形状看起来是一样的，但是刻度不一样。matplotlib画条形图的命令是bar()。3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（1）条图（bar）3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（1）条图（bar）3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（1）条图（bar）【Excel的基本操作】筛选2015年珠三角数据，选择C317:C337和E317:E337单元格区域，切换到“插入”选项卡，在“图表”组中单击“柱形图”按钮，在子图表类型中，选择二维柱形图，即可生成如下图。其他统计图的Excel绘制基本一致，所以下面从略。3.1基于列表的可视化（1）条图（bar）【Excel的基本操作】3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（2）饼图（pie）饼图也称圆图，是由一个圆或多个扇形组成，每个扇形显示不同颜色。每个扇形的角度大小可显示一个数据系列中各项的大小与各项总和的比例。在matplotlib中作饼图也很简单，只要使用命令pie()就可以了。3.1基于列表的可视化3.1.1Matplotlib的基本绘图1.横向数据的绘图（2）饼图（pie）3.1基于列表的可视化3.1.1Matplotlib的基本绘图2.纵向数据的绘图3.1基于列表的可视化3.1.1Matplotlib的基本绘图2.纵向数据的绘图（1）线图（line）3.1基于列表的可视化3.1.1Matplotlib的基本绘图2.纵向数据的绘图（2）点线图（point-line）3.1基于列表的可视化（2）点线图（point-line）【Excel的基本操作】筛选佛山数据，选择B列和D列数据，切换到“插入”选项卡，在“图表”组中单击“折线图”按钮，在子图表类型中，选择二维折线图，即可生成如下图。3.1基于列表的可视化（2）点线图（point-line）【Excel的基本操作】3.1基于列表的可视化3.1.1Matplotlib的基本绘图2.纵向数据的绘图（3）面积（stackplot）3.1基于列表的可视化3.1.2Matplotlib的图形设置3.1基于列表的可视化Python中的每一个绘图函数，都有许多参数设置选项，但大多数绘图函数的选项是同样的，matplotlib的绘图函数非常强大，包含许多图形参数设置，可以通过帮助学习。3.1.2Matplotlib的图形设置1.图形大小设置用参数figsize

可设定图形大小。3.1基于列表的可视化3.1.2Matplotlib的图形设置1.图形大小设置3.1基于列表的可视化3.1.2Matplotlib的图形设置2.标题、标签及颜色plt.title：设置图形标题和字体大小；plt.xlabel、plt.ylabel：设置坐标轴名称；plt.xlim、plt.ylim：设置横纵坐标轴范围；colors：控制图形的颜色，c='red'：设置为红色。3.1基于列表的可视化3.1.2Matplotlib的图形设置2.标题、标签及颜色3.1基于列表的可视化3.1.2Matplotlib的图形设置3.线型和符号控制连线的线型：'-'实线，'--'虚线，':'点线；控制符号的类型：'.'绘制实心小点，'o'绘制实心大点。3.1基于列表的可视化3.1.2Matplotlib的图形设置3.线型和符号绘制水平线：axhline(y=c)，在y=c处绘制水平线绘制垂直线：axvline(x=d)，在x=d处绘制垂直线3.1基于列表的可视化3.2基于数据框的可视化3.2.1基于pandas的可视化1.pandas的绘图函数

2.pandas数据框绘图法

3.选取面板数据3.2.2基于cufflinks的可视化1.关于cufflinks绘图包2.cufflinks数据框绘图法3.2.1基于pandas的可视化1.pandas的绘图函数3.2基于数据框的可视化这个函数还有另一种写法，DataFrame.plot.kind()，这里的kind即图类型名。3.2.1基于pandas的可视化2.pandas数据框绘图法（1）横向数据比较图在固定时间（年份）情况下，对各地区空间（区域）数据进行可视化直观分析，即对某年份广东各地区经济信息进行可视化分析。DataFrame可以通过set_index方法设置某一列变量为行索引。所用的可视化工具包括：柱状图、饼图、漏斗图、统计地图等，先整页单图、再整页多图。3.2基于数据框的可视化3.2.1基于pandas的可视化2.pandas数据框绘图法（1）横向数据比较图3.2基于数据框的可视化①条图（bar）3.2.1基于pandas的可视化2.pandas数据框绘图法（1）横向数据比较图3.2基于数据框的可视化②饼图（pie）3.2.1基于pandas的可视化2.pandas数据框绘图法（1）横向数据比较图3.2基于数据框的可视化③多图比较3.2基于数据框的可视化③多图比较3.2.1基于pandas的可视化2.pandas数据框绘图法（2）纵向数据比较图在固定空间（地区）情况下，对各时段（年份）数据进行可视化直观分析，即对广东9个地区2000-2015年19个年份的经济数据进行可视化分析。所用的可视化工具包括：线图、线条图、面积图、极坐标图等。3.2基于数据框的可视化（2）纵向数据比较图3.2基于数据框的可视化3.2.1基于pandas的可视化2.pandas数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化①线图（plot）3.2.1基于pandas的可视化2.pandas数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化②面积图（area）3.2.1基于pandas的可视化2.pandas数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化③多图比较3.2基于数据框的可视化③多图比较3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化面板数据可以看做横向数据和纵向数据的集合。面板数据的可视化即是横向数据可视化和纵向数据可视化的组合形式。3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化①面板数据的横向比较：可一次选取多个年份和多个地区某指标进行横向比较。3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化①面板数据的横向比较3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化①面板数据的横向比较3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化②面板数据的纵向比较：可一次选取多个年份和多个地区某指标进行纵向比较。3.2.1基于pandas的可视化3.选取面板数据3.2基于数据框的可视化②面板数据的纵向比较3.2.2基于cufflinks的可视化1.关于cufflinks绘图包cufflinks是在plotly的基础上做了进一步的包装，方法统一，参数配置简单。另外它还可以结合pandas的DataFrame随意灵活地画图。可以把它形容为"pandaslikevisualization"。但目前cufflinks只能在jupuyternotebook中使用！画各种炫酷的可视化图形，只需一行代码，效率非常高，同时也降低了使用的门槛儿。cufflinks的github链接如下：/santosjorge/cufflinks3.2基于数据框的可视化3.2.2基于cufflinks的可视化1.关于cufflinks绘图包（1）安装：cufflinks在jupyter中的安装如下3.2基于数据框的可视化（2）调用：3.2.2基于cufflinks的可视化1.关于cufflinks绘图包（3）帮助：3.2基于数据框的可视化3.2.2基于cufflinks的可视化1.关于cufflinks绘图包（3）帮助：可以看出，cufflinks可以绘制十几种常用的统计图，包括股票图（ohlc）和三维图的散点图（scatter3d）等，比pandas绘图还丰富。cufflinks基于数据框的绘图模式，在写法上仅比pandas绘图函数多一个i。3.2基于数据框的可视化3.2.2基于cufflinks的可视化1.关于cufflinks绘图包（4）设置：3.2基于数据框的可视化3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（1）横向数据比较图在固定时间（年份）情况下，对各地区空间（地区）数据进行可视化直观分析，即对2008年广东各地区经济信息进行可视化分析。所用可视化方法包括：柱状图、饼图、漏斗图、统计地图等，先整页单图、再整页多图。3.2基于数据框的可视化3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（1）横向数据比较图3.2基于数据框的可视化①条图3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（1）横向数据比较图3.2基于数据框的可视化②多图比较3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（2）纵向数据比较图在固定空间（地区）情况下，对各时段（年份）数据进行可视化直观分析，即对珠三角9个地区2000-2019年20个年份的经济数据进行可视化分析。所用的可视化工具包括：线图、线条图、面积图、极坐标图等。3.2基于数据框的可视化3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化①线图（plot）3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化②面积图（area）3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（2）纵向数据比较图3.2基于数据框的可视化③多图比较3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（3）面板数据比较图3.2基于数据框的可视化①面板数据的横向比较3.2.2基于cufflinks的可视化2.cufflinks数据框绘图法（3）面板数据比较图3.2基于数据框的可视化②面板数据的纵向比较第四章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视4.1.1透视表的构建1.Python基础编程环境pandas有一个强大的数据透视函数pivot_table()，可以生成任意维度透视表。既可以进行数据重塑，也可以进行分组统计，还可以实现Excel等电子表格的透视表功能，且更为灵活。4.1数据的透视分析第4章数据挖掘基础及可视4.1.1透视表的构建1.无筛选透视表

2.有筛选透视表

3.透视表的分析4.1.2透视图的绘制

4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建1.Python基础编程环境pandas有一个强大的数据透视函数pivot_table()，可以生成任意维度透视表。既可以进行数据重塑，也可以进行分组统计，还可以实现Excel等电子表格的透视表功能，且更为灵活。4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建pivot_table有四个最重要的参数values（值）、index（行）、columns（列）、aggfunc（聚集函数，默认求均值），本文以这四个参数为中心讲解pivot_table操作是如何进行。4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建1.无筛选透视表（1）纵向数据下面是用pandas的pivot_table函数实现Excel类似的透视功能。注意，如果不改变函数中的参数顺序的话，也可以不写参数名，只写变量名。4.1数据的透视分析

第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建1.无筛选透视表Excel的基本操作1）在DAV_data.xlsx文档中选取【数据】表单，选定数据中的任意一个单元格，单击“插入”选项卡，单击“表格”组“数据透视表”下拉按钮，将弹出下图所示的“创建数据透视表”对话框。4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建1.无筛选透视表Excel的基本操作2）在新工作表的右边将出现“数据透视表字段”任务窗框。在字段复选框中选中“年份”和“GDP”二项，其中“GDP”取平均项、“年份”作为行字段，这时数据透视表会即时显示相应的结果，见下图所示。4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建1.无筛选透视表Excel的基本操作3）选择A列的行标签数据和B列的平均值项:GDP数据，在“插入”菜单中选择“图表”组的“折线图”下拉按钮，将绘制上图所示的折线图。4.1数据的透视分析第4章数据挖掘基础及可视化（2）横向数据4.1数据的透视分析第4章数据挖掘基础及可视化（3）数据重塑

下面是采用Excel的透视表功能选择交叉分组数据。在新工作表的右边的“数据透视表字段”面板上选中“年份”、“地区”和“人均GDP”二项，其中“人均GDP”取平均项、“年份”作为行字段，“地区”为列字段，这时数据透视表会即时显示相应的结果，见下图所示。4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建2.有筛选透视表有筛选的透视表相当于Excel中的带分页的透视表。（1）横向数据4.1数据的透视分析第4章数据挖掘基础及可视化（1）横向数据4.1数据的透视分析第4章数据挖掘基础及可视化（2）纵向数据4.1数据的透视分析第4章数据挖掘基础及可视化（2）纵向数据4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建2.有筛选透视表Excel的基本操作在新工作表的右边的“数据透视表字段”面板上选中“年份”、“地区”和“进出口额”、“消费总额”及“RD经费”五项，其中“进出口额”、“消费总额”及“RD经费”取平均项、“年份”作为行字段，“地区”为筛选字段，这时数据透视表会即时显示相应的结果，见下图所示。4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建3.透视表的分析（1）单变量统计下面应用透视表对单个变量求它们的基本统计量4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建3.透视表的分析Excel的基本操作在新工作表的右边的“数据透视表字段”面板上选中“年份”、“地区”和“GDP”，其中“GDP”选取五次，分别设置值字段为计数、最小值、最大值、平均值和标准偏差，“年份”作为筛选字段，“地区”为行字段，这时数据透视表会即时显示相应的结果，见下图所示。4.1数据的透视分析第4章数据挖掘基础及可视化4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建3.透视表的分析4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建3.透视表的分析（2）分组变量统计4.1数据的透视分析第4章数据挖掘基础及可视化4.1.1透视表的构建3.透视表的分析（2）分组变量统计4.1数据的透视分析第4章数据挖掘基础及可视化4.1.2

透视图的绘制透视图即为对透视表的结果绘制相应的统计图，所以透视图的绘制通常是在透视表的基础上进行。4.1数据的透视分析第4章数据挖掘基础及可视化4.1.2

透视图的绘制透视图即为对透视表的结果绘制相应的统计图，所以透视图的绘制通常是在透视表的基础上进行。4.1数据的透视分析第4章数据挖掘基础及可视化4.1.2

透视图的绘制Excel的基本操作1）选定【数据】清单中的任意一个单元格，单击“插入”选项卡，单击“表格”组“数据透视表”下拉按钮，构建透视表的工作表。2）在工作表的右边将出现“数据透视表字段列表”任务窗框。在字段复选框中选中“地区”、“年份”和“GDP”三项，其中“GDP”作为求和项、“年份”作为图例字段、“地区”作为轴字段。3）在透视表的行标签中选取“广州、深圳、珠海”三个地区，在透视表的列标签中选取“2010、2015、2019”三个时段，形成下表的结果。4）选择B4:D7单元格区域，切换到“插入”选项卡，在“图表”组中单击“柱形图”按钮，在子图表类型中，选择二维柱形图，即可生成如下图。4.1数据的透视分析第4章数据挖掘基础及可视化4.1.2

透视图的绘制4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析1.绝对动态数列

2.相对动态数列

4.2.2

横向数据探索分析1.频数表与直方图

2.数据的分布特征3.正态分布检验图

4.2

探索数据分析第4章数据挖掘基础及可视化探索性数据分析也是数据挖掘的基础。当面对一组陌生的数据时，进行探索性统计分析有助于我们掌握数据的基本情况。探索性数据分析是通过分析数据集以决定选择哪种方法适合统计推断的过程。对于一维数据，它们是否近似地服从正态分布？是否呈现拖尾或截尾分布？其分布是对称的，还是呈偏态的？分布是单峰、双峰、还是多峰的？实现这一分析的主要过程是计算基本统计量和绘制基本可视化图。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析1.绝对动态数列把一系列同类的总量指标按时间先后顺序排列而形成的动态数列，称为绝对数动态数列或绝对增长量，说明事物在一定时期所增加的绝对数量。可分别计算累计增长量和逐期增长量。（1）定基数报告期指标与某一固定期（基期）指标之差，也称累计增长量（简称定基数）。定基数=ai-a1式中，ai为第i期指标，a1为第1期（基期）指标。（2）环比数报告期的指标与前一期指标之差，也称逐期增长量（简称环比数）。环比数=ai-ai-1式中，ai为第i期指标，ai1为第i1期指标。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析1.绝对动态数列4.2

探索数据分析第4章数据挖掘基础及可视化4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析2.相对动态数列把一系列同类的相对指标数值按时间先后顺序排列而形成的动态数列，称为相对数动态数列。它可以用来说明社会现象间的相对变化情况。（1）定基发展速度（定基比）

统一用某个时间的指标做基数，以各时间的指标与之相比。

定基比=100*ai/a1

式中，ai为第i期指标，a1为第1期（基期）指标。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析2.相对动态数列把一系列同类的相对指标数值按时间先后顺序排列而形成的动态数列，称为相对数动态数列。它可以用来说明社会现象间的相对变化情况。（2）环比发展速度（环基比）

以前一时间的指标做基数，以相邻的后一时间的指标与之相比。

环基比=100*ai/ai1

式中，ai为第i期指标，ai1为第i1期指标。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析Excel的基本操作（1）在透视表中选需要的数据，本例是珠海的“进出口额”数据。（2）在格子C4中输入=B4-B$4，然后通过拉伸或复制扩展到C23。（3）在格子D4中输入=B4-B3，然后通过拉伸或复制扩展到D23。（4）在格子E4中输入=B4/B$4，然后通过拉伸或复制扩展到E23。（5）在格子F4中输入=B4/B3，然后通过拉伸或复制扩展到F23。（6）以地区列A为横坐标，进出口额B列、定基数C列、环基数D列为纵坐标分别绘制它们的面积图4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.1纵向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析1.频数表与直方图（1）频数表频数表是统计中由于所观测的数据较多，为简化计算，将这些数据按等间隔分组，然后按选举唱票法数出落在每个组内观测值的个数，称为(组)频数。这样得到的表称“频数表”或“频数分布表”。因为频数除以总频数即频率，所以频数表或频数分布表除以总频数即得频率表或频率分布表。分析频数分布的目的是要根据子样中各个变值的频率分布情况来推测母体中各个变值的频率分布情况。利用pandas的cut函数将数据进行分组，如将人均GDP分成10组，这时数据变成定性数据了，其中bins也可指定为分组区间。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析1.频数表与直方图（2）直方图直方图（histogram），又称频数分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。直方图是频数表的图形表示，是一个连续变量（定量变量）的概率分布的估计，它是一种连续条形图，一般用横轴表示数据类型，纵轴表示频数分布情况。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析1.频数表与直方图（2）直方图直方图用于表示连续型变量的频数分布，常用于考察变量的分布是否服从某种分布类型，如正态分布或偏态分布。图形以矩形的面积表示各组段的频数(或频率)，各矩形的面积总和为总频数（或等于1）。当例数趋于无穷大时，直方图中频率间的连线即为分布的密度曲线。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析1.频数表与直方图（2）直方图直方图用于表示连续型变量的频数分布，实际应用中常用于考察变量的分布是否服从某种分布类型，如正态分布。图形以矩形的面积表示各组段的频数（或频率），各矩形的面积总和为总频数（或等于1）。pandas里用来作直方图的函数类型是hist，也可以用kde绘制概率密度图。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2横向数据探索分析Excel的基本操作（1）在透视表中选需要的数据，本例是珠海的“进出口额”数据。（2）切换到“数据”选项卡，单击“分析”组中的“数据分析”按钮，将弹出“数据分析”框，在分析工具框中选择“直方图”。（3）输入输入区域：B4:B423接受区域：空选择标志：不选（4）输出选项80输出区域:E4选定图表输出（5）单击确定按钮，得结果如下。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2横向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2横向数据探索分析4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析1.频数表与直方图由频数表和直方图可看出频数分布的两个重要特征：集中趋势和离散程度。身高有高有矮，但多数人身高集中在中间部分组段，以中等身高居多，此为集中趋势；由中等身高到较矮或较高的频数分布逐渐减少，反映了离散程度。对于计量型资料，可从集中趋势和离散程度两个侧面去分析其规律性。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析2.数据的分布特征当数据量不断增加时，直方图及频数分布将趋向于总体的分布。（1）正态分布正态分布是数据分析中最主要分布。正态分布也是古典统计学的核心，它有两个参数：位置参数均值，尺度参数标准差。正态分布的图形如倒立的钟，且分布对称。现实生活中，很多变量是服从正态分布的，比如人的身高、体重和智商IQ。4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析2.数据的分布特征正态分布的概率曲线函数有如下形式。它的图形是对称的钟形曲线，常称为正态曲线，记为x～N(μ,σ2)。可用正态化变换（也称标准化变换）z=(x-μ)/σ，将一般正态分布x~N(μ,σ2)转换为标准正态分布z~N(0,1)。标准正态分布概率密度函数为4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析2.数据的分布特征①标准正态分布曲线4.2

探索数据分析第4章数据挖掘基础及可视化4.2.2

横向数据探索分析2.数据的分布特征②一般正态随机数及分布图

下面模拟生成一般正态分布随机数，如生成100个均值为170cm，标准差为10cm的人群身高正态分布随机数。

正态分布是一种典型的对称分布，而不是对称分布的分布都可看做偏态分布。

4.2

探索数据分析第4章