(02)第2章---数据的图表展示(J6).pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2-,#,2020-8-20,统计学基础,(,第,6,版,),数据分析,(,方法与案例,),作者 贾俊平,版权所有 违者必究,统计学基础,(,第,6,版,),Fundamental Statistics,第,2,章 数据的图表展示,2.1,数据的预处理,2.2,数据的频数分布,2.3,类别数据的图示,2.4,数值数据的图示,2.5,合理使用图表,Display,学习目标,数据预处理的内容和目的,频数分布表的制作,类别数据的图示方法,数值数据的图示方法,用,Excel,作,频数分布表和形,图,合理使用图表,2.1数据的预处理,2.1.1,数据审核,2.1.2,数据排序,2.1.3,数据筛选,第,2,章 数据的图表展示,数据的预处理,数据审核,检查数据中的错误,数据筛选,找出符合条件的数据,数据排序,升序和降序,寻找数据的基本特征,数据透视,按需要汇总,2.1.1,数据审核,2.1,数据的预处理,数据审核,原始数据,(raw data),完整性审核,应调查的单位或个体是否有遗漏,所有的调查项目或变量是否填写齐全,准确性审核,数据是否真实反映实际情况，内容是否符合实际,数据是否有错误，计算是否正确等,数据的审核,二手数据,(second hand data),适用性审核,弄清楚数据的来源、数据的口径以及有关的背景材料,确定数据是否符合自己分析研究的需要,时效性审核,尽可能使用最新的数据,确认是否有必要做进一步的加工整理,2.1.2,数据排序,2.1,数据的预处理,数据排序,(data rank),按一定顺序将数据排列，以发现一些明显的特征或趋势，找到解决问题的线索,排序有助于对数据检查纠错，以及为重新归类或分组等提供依据,在某些场合，排序本身就是分析的目的之一,排序可借助于计算机完成,数据排序,(,方法,),类别数据的排序,字母型数据，排序有升序降序之分，但习惯上用升序,汉字型数据，可按汉字的首位拼音字母排列，也可按笔画排序，其中也有笔画多少的升序降序之分,数值数据的排序,递增排序：设一组数据为,x,1,，,x,2,，,，,x,n,，递增排序后可表示为：,x,(1),x,(,2),x,(2),x,(,n,),用,Excel,进行数据排序,第,1,步：,将光标放在数据区域的任意单元格。然后点击【数据】,【排序】，出现的界面如下图所示。,第,2,步：,在【主要关键字】框中选择要排序的变量，本例为“网购金额”，然后点击【确定】（如果要按性别排序，点击【选项】，在【方法】下选中“字母排序”或“笔划排序”）,用,Excel,进行数据排序,(,例题分析,),【例,21,】,为研究消费者的网上购物情况，随机抽取,50,个消费者，调查得到性别、网购原因、每月的网购金额（元）数据如表,21,所示。对网购金额按升序排列,2.1.3,数据筛选,2.1,数据的预处理,数据筛选,(data filter),当数据中的错误不能予以纠正，或者有些数据不符合调查的要求而又无法弥补时，需要对数据进行筛选,数据筛选的内容,将某些不符合要求的数据或有明显错误的数据予以剔除,将符合某种特定条件的数据筛选出来，而不符合特定条件的数据予以剔除,用,Excel,进行数据筛选,第,1,步：,将光标放在数据区域的任意单元格。然后点击【数据】,【筛选】。这时绘在每个变量名中出现下拉箭头,第,2,步：,点击要筛选的变量的下拉箭头即可对该变量进行筛选。比如，要筛选网购金额大于,350,元的消费者，点击网购金额变量的下拉箭,头,第,3,步：,点击“大于”，并在后面的框内输入,400,。,点击【确定】,2020-8-20,数据筛选,(,多条件筛选,),筛选出性别为女、家庭所在地为大城市、月生活费支出大于,1500,元、月网上购物支出大于,200,元的所有学生,第,1,步：,在工作表的上方插入,3,个空行，将数据表的第一行复制到第,1,个空行；在第,2,个空行的每个变量名下依次输入筛选的条件：女、,价格便宜,、,300,第,2,步：,选择【数据】,【高级】。在列表区域输入要筛选的数据区域；在条件区域输入条件区域。单击【确定】,用,Excel,进行数据筛选,(,例题分析,),【例,21,】,为研究消费者的网上购物情况，随机抽取,50,个消费者，调查得到性别、网购原因、每月的网购金额（元）数据如表,21,所示。筛选筛选出每月网购金额大于,400,元的消费者；筛选出性别为女、网购原因为价格便宜、每月网购金额大于,350,元的所有消费者,2.2,数据的频数分布,2.2.1,类别数据的频数分布表,2.2.2,数值数据的类别化,第,2,章 数据的图表展示,2.2.1,类别数据的频数分布表,2.2,数据的频数分布,2020-8-20,简单频数表,只涉及一个类别变量时，这个变量的各类别（取值）可以放在频数分布表中,“,行,”,的位置，也可以放在,“,列,”,的位置，将该变量的各类别及其相应的频数列出来就是一个简单的频数表也称为一维列联表,【例,23,】,沿用例,2,1,。分别制作学生性别和家庭所在地的简单频数表,2020-8-20,简单频数表,用【数据透视表】命令制作类别数据频数分布表,第,1,步：,选择【插入】,【数据透视表】,第,2,步：,在【表,/,区域】框内选定数据区域。选择放置数据透视表的位置。系统默认是新工作表，如果要将透视表放在现有工作表中，选择【现有工作表】，并在【位置】框内点击工作表的任意单元格。点击【确定】,第,3,步：,用鼠标右键单击数据透视表，选择【数据透视表选项】，在弹出的对话框中点击【显示】，并选中【经典数据透视表布局】，然后【确定】,第,4,步：,将数据透视的一个字段拖至,“,行,”,位置，将,“,另一个字段,”,拖至,“,列,”,的位置（行列可以互换），再将要计数的变量拖至,“,值字段,”,位置，即可生成需要的频数分布表,生成频数分布表,(,简单频数表,),【,例,23】,沿用例,2,1,。分别制作消费者别和网购原因的简单频数表,生成频数分布表,(,二维列联表,),【,例,23】,沿用例,2,1,。分别制作消费者别和网购原因的简单频数表,类别数据的描述统计量,频数,(,frequency),：,落在各类别中的数据个数,比例,(,proportion),：,某一类别数据个数占全部数据个数的比值,百分比,(,percentage),：,将对比的基数作为,100,而计算的比值,比率,(,ratio),：,不同类别数值个数的比值,类别数据分析,(,例题分析,),沿用例,2,1,。按性别和网购原因分类汇总的消费者网购金额,类别数据分析,(,例题分析,),【例,25,】,沿用例,2,1,。根据表,2,4,的二维列联表，计算和类别的百分比并进行分析,网购原因,男,女,总计,人数,百分比（,%,）,人数,百分比（,%,）,人数,百分比（,%,）,方便快捷,6,26.09,5,18.52,11,22.00,价格便宜,9,39.13,12,44.44,21,42.00,选择性强,8,34.78,10,37.04,18,36.00,总计,23,100.00,27,100.00,50,100.00,2.2.2,数值数据的类别化,2.2,数据的频数分布,生成频数分布表,(,例题分析,),确定组数：组数的确定应以能够显示数据的分布特征为目的。在实际分组时，组数一般为,5,K 15,。本例中由于数据较多，可考虑分为,10,组,确定组距：组距,(Class Width),是一个组的上限与下限之差，可根据全部数据的最大值和最小值及所分的组数来确定，即,组距,(,最大值,-,最小值,),组数,例如，本例最大值为,237,，最小值为,141,，组距,=(237-141)10,9.6,。为便于计算，组距宜取,5,或,10,的倍数，且第一组的下限应低于最小变量值，最后一组的上限应高于最大变量值，因此组距可取,10,统计出各组的频数。每个组的数据满足,a,x,b(,上限值不在内,(Excel,的计数规则是,a,x,b,),组距分组,(,几个概念,),1.,下限,(,low limit),：,一个组的最小值,2.,上限,(,upper limit),：,一个组的最大值,3.,组距,(,class width),：,上限与下限之差,4.,组中值,(,class midpoint),：,下限与上限之间的中点值,下限值,+,上限值,2,组中值,=,频数分布表的编制,(,例题分析,),【例,26,】,表,27,是某购物网站,2016,年前,4,个月每天的销售额数据。对数据进行分组，并制作频数分布表,234,159,187,155,172,183,182,177,163,158,143,198,141,167,194,225,177,189,196,203,187,160,214,168,173,178,184,209,176,188,161,152,149,211,196,234,185,189,196,206,150,161,178,168,174,153,186,190,160,171,228,162,223,170,165,179,186,175,197,208,153,163,218,180,175,144,178,191,197,192,166,196,179171,233,179,187,173,174,210,154,164,215,233,175,188,237,194,198,168,174,226,180,172,190,172,187,189,200,211,156,165,175,210,207,181,205,195,201,172,203,165,196,172,176,182,188,195,202,213,用,Excel,的【直方图】命令制作数值数据的频数分布表,用,Excel,【数据分析】工具中的【直方图】命令可生成数值数据的频数分布表。但需要注意的是，,Excel,在作频数分布表时，每一组的频数包括一个组的上限值，即,。因此，需要输入一列比上限值小的数作为【接收区域】。就【例,24,】而言，分别输入,作为【接收区域】，然后按下列骤操。,第,1,步：,选择【数据】,【数据分析】,【直方图】，单击【确定】。,第,2,步：,在【输入区域】方框内输入原始数据所在的区域；在【接收区域】方框内输入上限值所在的区域；在【输出区域】方框内输入结果输出的位置；选择【图表输出】,。点击,【,确定,】,等距分组表,(,上下组限重叠,),销售额分组,天数,频率（,%,）,140150,4,3.33,150160,9,7.50,160170,16,13.33,170180,27,22.50,180190,20,16.67,19020017,14.17,200210,10,8.33,210220,8,6.67,220230,4,3.33,230240,5,4.17,合计,120,100.00,等距分组表,(,使用开口组,),销售额分组,天数,频率（,%,）,150,以下,4,3.33,150160,9,7.50,160170,16,13.33,170180,27,22.50,180190,20,16.67,190200,17,14.17,200210,10,8.33,210220,8,6.67,220230,4,3.33,230,以上,5,4.17,合计,120,100.00,2.3,类别数据的图示,2.3.1,条形图和帕累托图,2.3.2,环形图和饼图,第,2,章 数据的图表展示,2.3.1,条形图和帕累托图,2.3,类别数据的图示,类别数据的图示,简单条形图,(,bar Chart,),用宽度相同的条形的高度或长短来表示各类别数据,各类别可放在纵轴，称为,条形图,，可以放在横轴，称为,柱形图,(column chart),类别数据的图示,复式条形图,(,bar Chart,),类别数据的图示,百分比条形图,(,bar Chart,),类别数据的图示,帕累托图,(pareto chart),2.3.2,环形图和饼图,2.3,类别数据的图示,类别数据的图示,简单饼图,(,pie Chart,),用圆形及圆内扇形的角度来表示数值大小的图形，主要用于表示一个样本,(,或总体,),中各组成部分的数据占全部数据的比例用于研究结构问题,【例,2,10,】,沿用例,2,1,。根据表,2,4,的数据绘制饼图，分析不同网购原因的人数占总人数的百分比,环形图,(doughnut chart),环形图中间有一个“空洞”，样本或总体中的每一部分数据用环中的一段表示,与饼图类似，但又有区别,饼图只能显示一个总体各部分所占的比例,环形图则可以同时绘制多个样本或总体的数据系列，每一个样本或总体的数据系列为一个环,用于结构比较研究,用于展示分类和顺序数据,环形图,(,例题分析,),2.4,数值数据的图示,2.4.1,直方图,2.4.2,散点图和气泡图,2.4.3,雷达图和轮廓图,2.4.4,时间序列图,第,2,章 数据的图表展示,2.4.1,直方图和箱形图,2.4,数值数据的图示,分组数据,直方图,(histogram),用于展示分组数据分布的一种图形,用矩形的宽度和高度来表示频数分布,本质上是用矩形的,面积,来表示频数分布,在直角坐标中，用横轴表示数据分组，纵轴表示频数或频率，各组与相应的频数就形成了一个矩形，即直方图,直方图下的总面积等于,1,直方图与分布的形状,分组数据,直方图,(,例题分析,),【例,212,】沿用例,2,6,。绘制直方图分析销售额数据的分布特征,2020-8-20,直方图,(,例题分析,),2020-8-20,直方图,(,例题分析,),2020-8-20,直方图,(,直方图与条形图的区别,),条形图中的每一矩形表示一个类别，其宽度没有意义，而直方图的宽度则表示各组的组距,由于分组数据具有连续性，直方图的各矩形通常是连续排列，而条形图则是分开排列,条形图主要用于展示类别数据，而直方图则主要用于展示定量数据,2020-8-20,箱形图,(,box plot,),箱形图,不仅可用于反映一组数据分布的特征，比如，分布是否对称，是否存在离群点,(outlier),等，还可以对多组数据的分布特征进比较,绘制,箱形图,步骤大致如下：,首先，,找出一组数据的中位数,(median),和两个四分位数,(quartiles),，并画出箱子。中位数是一组数据排序后处在,50%,位置上的数值。四分位数是一组数据排序后处在,25%,位置和,75%,位置上的两个分位数值，分别用,和,表示。,称为四分位差或四分位距,(interquartile range),，用,IQR,表示,。用两个四分位数画出箱子,(,四分位差的范围,),，并画出中位数在箱子里面的位置,2020-8-20,箱形图,(,box plot,),其次，,计算出,内围栏,和,相邻值,，并画出须线。内围栏,(inter fence),是与,和,的距离等于,1.5,倍四分位差的两个点，其中,称为,下内围栏,，,称为,上内围栏,。上下内围栏一般不在,箱形图,中显示，只是作为确定离群点的界限。然后找出上下内围栏之间的最大值和最小值,(,即非离群点的最大值和最小值,),，称为相邻值,(adjacent value),，其中,范围内的最小值称为下相邻值，,范围内的最大值称为上相邻值。用直线将上下相邻值分别与箱子连接，称为须线,(whiskers),最后，,找出,离群点,(outlier),，并在图中单独标出。离群点是大于上内围栏或小于下内围栏的数值，也称,外部点,(outside value),，在图中用,“,”,单独标出,2020-8-20,箱形图 的示意图,(,box plot,),2020-8-20,不同分布对应的箱形图,(,box plot,),2020-8-20,箱形图,(,例题分析,),【例,213,】,表,2,10,是,2018,年,112,月北京市的空气质量指数（,Air Quality Index,，,AQI,）数据。指数的数值越大说明空气污染状况越严重。根据空气质量指数将空气质量共分为六级：优（,0-50,），良（,51-100,），轻度污染（,101-150,），中度污染（,151-200,），重度污染（,201-300,）；严重污染（,300,以上）。绘制箱形图分析不同月份空气质量指数分布的特征,2020-8-20,箱形图 的例题分析,(,box plot,),2.4.2,散点图和气泡图,2.4,数值数据的图示,两个变量间的关系,二维散点图,(2D Scatterplots),展示两个变量之间的关系,用横轴代表变量,x,，纵轴代表变量,y,，每组数据,(,x,i,，,y,i,),在坐标系中用一个点表示，,n,组数据在坐标系中形成的个点称为散点，由坐标及其散点形成的二维数据图,【例,214,】,随机抽取的,20,家医药企业销售收入、销售网点数和广告支出的数据如表,2,10,所示。绘散点图观察这些变量之间的关系,销售收入（万元）,广告支出（万元）,销售网点数（个）,4373,651,186,281,42,15,473,65,23,1909,276,87,321,49,19,2145,313104,341,53,18,550,76,26,5561,817,256,410,64,20,649,90,31,526,84,20,1072,153,49,950,155,38,1086,178,44,1642,237,75,1913,315,88,2858,471,144,3308,571,141,5021,747,230,两个变量间的关系,二维散点图,(,例题分析,),三个变量间的关系,气泡图,(,bubble chart,),显示三个变量之间的关系,图中数据点的大小依赖于第三个变量,2.4.3,雷达图和轮廓图,2.4,数值数据的图示,也称为蜘蛛图,(spider chart),显示多个变量的图示方法,在显示或对比各变量的数值总和时十分有用,假定各变量的取值具有相同的正负号，总的绝对值与图形所围成的区域成正比,可用于研究多个样本之间的相似程度,多变量数据,雷达图,(,radar chart,),设有,n,组样本,S,1,，,S,2,，,S,n,，每个样本测得,P,个变量,X,1,，,X,2,，,X,P,，要绘制这,P,个变量的雷达图，其具体做法是,多变量数据,雷达图,(,雷达图的制作,),先做一个圆，然后将圆,P,等分，得到,P,个点，令这,P,个点分别对应,P,个变量，在将这,P,个点与圆心连线，得到,P,个幅射状的半径，这,P,个半径分别作为,P,个变量的坐标轴，每个变量值的大小由半径上的点到圆心的距离表示,将同一样本的值在,P,个坐标上的点连线。这样，,n,个样本形成的,n,个多边形就是一个雷达图,多变量数据,雷达图,(,例题分析,),【例,2,16,】,表,2,11,是,2010,年按收入等级分的中国城镇居民家庭平均每人全年消费性支出数据。绘制雷达图，比较不同收入等级的家庭消费支出的特点和相似性,支出项目,最低,收入户,（,10%,）,低收入户,（,10%,）,中等,偏下户,（,20%,）,中等,收入户,（,20%,）,中等,偏上户,（,20%,）,高收入户,（,10%,）,最高,收入户,（,10%,）,食品,2525.32,3246.69,3946,4773.83,5710.14,6756,8535.21,衣着,513.56,804.73,1076.03,1408.1,1786.57,2226.7,3148.85,居住,656.28,775.1,1009.97,1260.28,1504.21,1999.99,3014.65,家庭设备用品及服务,288.55,427.16,600.94,833.59,1110.95,1500.24,2380.63,医疗保健,405.29,478.3,637.75,864.67,1060.13,1313.6,1842.83,交通和通信,448.25,669.08,1051.75,1620.62,2357.96,3630.63,6770.31,教育文化娱乐服务,502.61,746.67,1037.97,1421.25,2001.47,2739.7,4515.23,其他商品和服务,131.98,212.45,288.8,427.09,608.93,833.53,1553.92,多变量数据,雷达图,(,例题分析,),轮廓图,也称为平行坐标图或多线图，它是用横坐标表示各样本，纵轴表示每个样本的多个变量的取值，将不同样本的同一个变量的取值用折线连接，即为轮廓图,【例,2,16,】,沿用例,2,15,。绘制轮廓图，比较不同收入等级的家庭消费支出的特点和相似性,多变量数据,轮廓图,(outline chart)多变量数据,轮廓图,(,例题分析,),2.4.4,时间序列图,2.4,数值数据的图示,时间序列数据,线图,(,line plot,),表示时间序列数据趋势的图形,时间一般绘在横轴，数据绘在纵轴,图形的长宽比例大致为,10,:,7,一般情况下，纵轴数据下端应从“,0,”,开始，以便于比较。数据与“,0,”,之间的间距过大时，可以采取折断的符号将纵轴折断,时间序列数据,线图,(,例题分析,),【例,2,18,】,表,2,12,是,2000,2014,年我国农村居民和城镇居民消费水平的数据。绘制线图，比较农村居民和城镇居民消费水平的变化趋势,年份,农村居民消费水平,城镇居民消费水平,2000,1917,6999,2001,2032,7324,2002,2157,7745,2003,2292,8104,2004,2521,8880,2005,2784,9832,2006,3066,10739,2007,3538,12480,2008,4065,14061,2009,4402,15127,2010,4941,17104,2011,6187,19912,2012,6964,21861,2013,7773,23609,2014,8711,25424,时间序列数据,线图,(,例题分析,),2.5,合理使用图表,第,2,章 数据的图表展示,设计图表时，应绘制得尽可能简洁，以能够清晰地显示数据、合理地表达统计目的为依据。合理使用图表要注意以下几点,首先，在制作图表时，应避免一切不必要的修饰。过于花哨的修饰往往会使人注重图表本身，而掩盖了图表所要表达的信息,其次，图形的比例应合理。一般而言，一张图形大体上约为,4:3,的一个矩形，过长或过高的图形都有可能歪曲数据，给人留下错误的印象,最后，图表应有编号和标题。编号一般使用阿拉伯数字，如表,1,、表,2,等等。图表的标题应明示出表中数据所属的时间（,when,）、地点（,where,）和内容（,what,），即通常所说的,3W,准则。表的标题通常放在表的上方；图的标题可放在图的上方，也可放在图的下方,鉴别图表优劣的准则,本章小结,结 束,THANKS,