Data Science For Beginners 第10课作业实战：用直方图与密度图讲好一个新数据集的故事

Data Science For Beginners 第10课作业实战：用直方图与密度图讲好一个新数据集的故事

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

导读

本篇文章围绕 Data Science For Beginners 课程第 10 课《Visualizing Distributions（可视化数据分布）》的课后作业（Apply your skills）展开，该作业要求学习者在前几课使用明尼苏达鸟类数据集（Minnesota birds）掌握直方图与密度图技术之后，换一个全新的数据集，用 Jupyter Notebook 讲一个完整的数据故事，并且至少使用 5 个直方图来支撑你的分析。读完本文，你将获得一份可直接照做的作业路线图：从选数据集、写数据来源注释，到五种直方图/KDE 密度图的落地代码模板，再到对照评估量规的自检清单，全程紧扣本课讲义与参考解答中的真实代码。

一、先读懂作业要求：这是一道"应用型"实践题

作业原文位于 translations/en/3-Data-Visualization/10-visualization-distributions/assignment.md，核心指令只有两条，却规定了完整的交付物形态：

1. 换数据集：此前几课你一直在用明尼苏达鸟类数据集研究鸟的数量与种群密度；现在请换一个不同的数据集（例如来自 Kaggle 等公开数据平台的真实数据），把已学会的分布可视化技术迁移过去。
2. 交付一个会讲故事的 Notebook：新建一个 notebook，围绕该数据集讲一个完整的故事，并且务必在分析中使用直方图（histograms）。

与之配套的评估量规（Rubric）把"优秀"标准定义得很具体：

不难看出，这份作业的评分维度实际上只有三个：注释（含来源）完整、直方图数量 ≥ 5、代码无错误。本文后面的所有内容，都是围绕如何同时满足这三点展开的。

二、作业背后的技术工具箱：本课讲义的分布可视化方法

作业要求"应用你已掌握的技巧"，因此动手之前，先把第 10 课讲义 3-Data-Visualization/10-visualization-distributions/README.md 中的核心方法梳理成一张能力清单。你在新数据集上要复用的正是这些方法：

• 基础直方图（histogram）：用bins参数控制分箱数量，观察数据沿坐标轴的分布形态；
• 数据过滤 + 直方图：先按条件筛选子集，再绘制直方图，消除极端值造成的"左偏"失真；
• 2D 直方图（hist2d）：用颜色亮度同时展示两个分布之间的聚合与相关性；
• 分类变量叠加直方图：按类别（如保护状态）切分数据，用半透明叠加的多组直方图做对比；
• 核密度估计图（Seaborn KDE plot）：用平滑曲线替代"阶梯状"直方图，并可通过bw_adjust、hue、fill等参数做精细化控制。

下面逐一给出可在新数据集上直接改写的模板代码。这些代码的原始形态均来自讲义与参考解答（solution/notebook.ipynb），我们以仓库自带数据 data/birds.csv 作为演练样例，帮助你理解每一段代码的"意图"，随后替换成你自己的数据即可。

2.1 加载数据（含来源注释的起点）

课程主笔记本 notebook.ipynb 以三行代码开始：

import pandas as pd import matplotlib.pyplot as plt birds = pd.read_csv('../../../data/birds.csv') birds.head()

注：在仓库根目录下直接运行时可写作pd.read_csv('data/birds.csv')。从讲义所在目录（3-Data-Visualization/10-visualization-distributions/）相对仓库根目录需要向上三级，因此是../../../data/birds.csv。

birds.csv的字段包括：Name（鸟名）、ScientificName（学名）、Category（类别）、Order（目）、Family（科）、Genus（属）、ConservationStatus（保护状态）、MinLength/MaxLength（最小/最大体长）、MinBodyMass/MaxBodyMass（最小/最大体重）、MinWingspan/MaxWingspan（最小/最大翼展）。

给新手的建议：在你自己的 notebook 里，第一个 Markdown 单元格就应写下"数据来自哪里、字段含义是什么、你想回答什么问题"。这正是量规中"注释（含来源）"要求的落点。

2.2 方法一：基础直方图 + 调节 bins 粒度

先对单个数值列绘制直方图，观察整体分布。讲义中依次使用bins=10与bins=30对比粒度：

birds['MaxBodyMass'].plot(kind='hist', bins=10, figsize=(12, 12)) plt.show()

birds['MaxBodyMass'].plot(kind='hist', bins=30, figsize=(12, 12)) plt.show()

从图中可以看到，数据集里 400 多种鸟的MaxBodyMass大多落在 2000 以下；把bins从 10 提高到 30 后，分布细节更加清晰。这就是"同一个问题、不同参数讲出不同层次"的典型示范——在你的新数据集上，请务必实验不同的bins取值（如 10、20、30、40），并在注释里写下一句话说明你观察到的形态变化。

2.3 方法二：先过滤、再画直方图

当数据整体偏斜时，可以先用布尔条件筛出感兴趣的子集，让直方图更聚焦：

filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] filteredBirds['MaxBodyMass'].plot(kind='hist', bins=40, figsize=(12, 12)) plt.show()

讲义里还留了一个小练习：去掉['MaxBodyMass']这一列过滤，直接对过滤后的filteredBirds调用.plot(kind='hist')，就能看到"带标签（按各数值列并排）的分布"——这也是多直方图的一种快速产出方式。

2.4 方法三：2D 直方图探索两个分布的关系

Matplotlib 提供hist2d，用颜色亮度（越亮代表该处数据越聚集）同时呈现两个变量的联合分布：

x = filteredBirds['MaxBodyMass'] y = filteredBirds['MaxLength'] fig, ax = plt.subplots(tight_layout=True) hist = ax.hist2d(x, y)

讲义指出，两者沿一条预期的主轴呈现明显相关，且存在一个特别强的汇聚点。这种"二维直方图找相关性"的思路可以原样迁移到你的新数据集：挑两个你认为可能存在关联的数值列，先画 hist2d 验证直觉。

2.5 方法四：按分类变量叠加多组直方图

当需要按文本类字段（如保护状态）对比分布时，可以先按类别切片，再用半透明（alpha）叠加绘制。讲义用ConservationStatus对比各状态鸟的最小翼展：

x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] kwargs = dict(alpha=0.5, bins=20) plt.hist(x1, **kwargs, color='red', label='Extinct') plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') plt.hist(x3, **kwargs, color='yellow', label='Endangered') plt.hist(x4, **kwargs, color='green', label='Near Threatened') plt.hist(x5, **kwargs, color='blue', label='Vulnerable') plt.hist(x6, **kwargs, color='gray', label='Least Concern') plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') plt.legend()

需要说明的是，数据中的保护状态缩写来自 IUCN 红色名录分级：CR（极危）、EN（濒危）、EX（灭绝）、LC（无危）、NT（近危）、VU（易危）。讲义得出的结论是：最小翼展与保护状态之间看不出明显相关性——这本身就是一种"故事"：有时直方图的结论是"没有显著关系"，如实记录它同样是合格的分析。你可以继续用这套方法测试数据集里的其他字段，并尝试不同过滤条件，看能否找到相关性。

2.6 方法五：Seaborn 核密度估计图（KDE）

直方图是"阶梯状"的，不够平滑；Seaborn 的kdeplot能画出连续的概率密度曲线，让分布形态更直观：

import seaborn as sns import matplotlib.pyplot as plt sns.kdeplot(filteredBirds['MinWingspan']) plt.show()

sns.kdeplot(filteredBirds['MaxBodyMass']) plt.show()

如果觉得曲线过于平滑，可以用bw_adjust参数调节带宽（数值越小曲线越贴近原始起伏）：

sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) plt.show()

Seaborn 官方文档提醒：相对于直方图，KDE 在多分布对比时更不易杂乱、更易解读；但如果底层分布有界或不平滑，KDE 也可能引入失真。换句话说，离群值依然会让图表失真——写进你的作业注释里，会是很加分的批判性思考。

更进一步，可以用hue按分类字段分组、用fill填充面积，几行代码就能画出"按鸟目分组的最大体重密度对比"：

sns.kdeplot( data=filteredBirds, x="MaxBodyMass", hue="Order", fill=True, common_norm=False, palette="crest", alpha=.5, linewidth=0, )

也可以同时映射多个变量，形成二维密度图并按类别着色：

sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")

讲义抛出的后续问题是：图中"Vulnerable（易危）"鸟群在体长上的聚集是否具有实际意义？——把这类"现象 → 问题 → 讨论"的链条写进 notebook，正是"讲好故事"的精髓。

三、按"至少 5 个直方图"的要求排布你的分析

把上面的方法映射成"直方图数量"的达成清单，你就不需要担心凑不够 5 个：

1. 整体分布直方图：对核心数值列画一个基础直方图（方法一），并实验至少两种bins；
2. 过滤后的直方图：对筛选后的子集再画一个（方法二），对比过滤前后形态差异；
3. 2D 直方图：hist2d探索两个数值列的关系（方法三）；
4. 分类叠加直方图：按某个分类字段叠加多组直方图（方法四，一组plt.hist循环内每次调用都算一个）；
5. KDE 密度图：用sns.kdeplot补充至少一张平滑密度图（方法五），必要时再用hue做分组对比。

建议的 notebook 结构（可直接照抄为 Markdown 标题）：

• 标题与数据来源说明（谁发布的、何时、字段含义）；
• 数据概览：df.head()、df.describe()、df.info()；
• 故事主线：你好奇的 2～3 个问题；
• 每个问题对应 1～2 个直方图/密度图，配一段"我看到了什么"的解读；
• 结论小节：汇总你从分布中发现的 3 个事实。

四、数据集选择建议：如何"换一个数据集"

作业明确要求换数据集。选数据的三个原则：

• 优先选有"故事感"的真实数据：人口、天气、电商订单、健康指标等自带业务背景的数据，比纯随机数更容易讲出结论；
• 优先选"数值 + 分类"混合的数据：因为作业方法同时覆盖数值直方图（bins/hist2d）和分类叠加（hue/按类别切片），两类字段齐全的数据能让你完整复用五种方法；
• 数据规模适中、无需清洗过度：几百到几万行、缺失值较少的数据最合适，把精力留给分析和写作。

公开数据可以来自 Kaggle、UCI 机器学习仓库等平台（作业原文点名了 Kaggle 作为示例来源）。在你 notebook 的第一格务必写明来源链接与下载日期——这是量规"Exemplary"等级的硬性要求。

五、对照评估量规做最终自检

提交前，逐条对照 assignment.md 中的量规自检：

• Notebook 已提供；
• 有关于数据集的注释，明确包含数据来源；
• 至少使用了5 个直方图（基础直方图、过滤直方图、2D 直方图、分类叠加直方图、KDE 密度图均计入）；
• 每个直方图都有对应解读，构成完整的故事线；
• 代码可运行、无 bug（建议自上而下完整执行一遍 notebook，清空输出后重新 Run All 验证）。

满足以上全部条件即达到"优秀（Exemplary）"标准；若注释不完整或代码有错，则落入"合格"；没有注释且含 bug 则是最低档。

六、进一步探索：直方图的"应用场景研究"

讲义末尾还留了一个挑战（Challenge）：直方图比基础散点图、柱状图、折线图更高级，请上网搜索直方图的实际使用案例，思考它们被用在哪些领域、通常用来论证什么问题。完成作业后，这个问题值得认真做一次检索——它能把你的视野从"会画图"提升到"知道在什么业务问题里该画直方图"，这也是数据科学家选图能力的核心。

参考资源索引

• 作业原文：translations/en/3-Data-Visualization/10-visualization-distributions/assignment.md
• 第 10 课讲义（含全部直方图与密度图代码）：3-Data-Visualization/10-visualization-distributions/README.md
• 课程主笔记本：3-Data-Visualization/10-visualization-distributions/notebook.ipynb
• 参考解答笔记本：3-Data-Visualization/10-visualization-distributions/solution/notebook.ipynb
• 演示数据：data/birds.csv

依此路线执行，你交付的将不仅是一个"完成作业"的 notebook，更是一份具备数据来源、分析问题、可视化证据与结论的完整数据叙事作品。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners