企业官网建设流程全解析

下面模拟一个学生考试成绩分布的分析场景，看看上面两种点状图的应用。

# 示例：学生考试成绩分布分析 print("示例：学生考试成绩分布分析") print("-" * 40) # 创建模拟的考试成绩数据 np.random.seed(42) exam_scores = np.concatenate( [ np.random.normal(65, 8, 45), # 中等水平学生 np.random.normal(85, 6, 30), # 优秀学生 np.random.normal(45, 10, 24), # 需要帮助的学生 ] ) # 过滤掉不合理分数 exam_scores = np.clip(exam_scores, 0, 100) print(f"学生总数: {len(exam_scores)}") print(f"分数范围: {exam_scores.min():.1f} - {exam_scores.max():.1f}") print(f"平均分: {exam_scores.mean():.1f}") print(f"及格率: {(exam_scores >= 60).sum() / len(exam_scores) * 100:.1f}%\n") # 使用威尔金森点状图 print("创建威尔金森点状图...") fig1, ax1, stats1 = wilkinson_dot_plot( exam_scores, bins=[0, 40, 60, 70, 80, 90, 100], ) plt.show() # 使用麦穗图 print("创建麦穗图...") fig2, ax2, stats2 = strip_plot( exam_scores, bins=[0, 40, 60, 70, 80, 90, 100], jitter_amount=0.15, ) plt.show() ## 输出结果： ''' 示例：学生考试成绩分布分析 ---------------------------------------- 学生总数: 99 分数范围: 25.1 - 94.4 平均分: 65.3 及格率: 63.6% '''

在学生考试成绩分析这个场景中：

• 威尔金森点状图：将分数分组成区间（如60-70分），所有该区间的学生点都堆叠在区间中心，清晰地展示了分数段的整体分布形态，类似直方图但能看到个体点。
• 麦穗图：点在实际分数位置堆叠（如65分、68分等），既显示了每个学生的具体分数，又通过垂直堆叠避免了重叠，保留了数据的精确性。

总的来说，威尔金森点状图看分布形态（区间视角），麦穗图看具体数值（精确视角）。