You need to enable JavaScript to run this app. 如何基于Seaborn按性别绘制学生期末成绩G3的分布图?
优惠活动
大模型
产品
解决方案
定价
更多

如何基于Seaborn按性别绘制学生期末成绩G3的分布图?

分性别对比期末成绩分布的实现方法

你已经掌握了单变量成绩的密度图绘制逻辑,不需要拆分数据集重复写绘图代码,仅需在原有流程上做小幅调整,就能实现不同性别群体的分布差异对比。

  • 最适配现有代码的快速实现方案
    直接在原有的kdeplot调用里增加性别分组参数,seaborn会自动为不同性别的样本匹配独立的密度曲线,补充透明度设置避免填充区域互相遮挡:

    ax = sns.kdeplot(
        data=df2,
        x="G3",
        hue="sex",
        shade=True,
        alpha=0.5
    )
    ax.set(
        xlabel="Final Grade",
        ylabel="Density",
        title="Distribution of Final Grade by Sex",
        xlim=[0, 20]
    )
    # 手动替换图例标签,避免原始的F/M缩写带来阅读障碍
    ax.legend(title="Gender", labels=["Female", "Male"])
    plt.show()
    

    这里两个关键参数的作用:

    • hue="sex":指定按照数据集中的性别字段分组,不同性别自动分配区分度足够的曲线颜色
    • alpha=0.5:将曲线填充透明度调整为50%,让两个分布重叠的区域也能看清彼此的轮廓,不会出现某条曲线完全挡住另一条的情况
  • 配套的差异量化方法
    单靠视觉观察密度曲线只能做定性判断,想要明确具体的数值差异,可以配合分组统计计算:

    • 执行df2.groupby("sex")["G3"].describe(),直接输出不同性别群体的平均成绩、标准差、四分位数、极值,直观对比两组的整体水平和成绩离散程度
    • 如果需要判断差异是否具备统计显著性,可以搭配对应检验方法(比如独立样本t检验、曼-惠特尼U检验),排除随机抽样导致的视觉差异,确认群体间的真实分布区别
  • 可选的可视化增强方案
    如果觉得同图叠加的双密度曲线重叠过多、观察不便,可以换两种呈现形式:

    1. 同图叠加箱线图:在已有的密度图基础上,补充分性别箱线元素,直接标注每个群体的成绩中位数、四分位区间、离群的高低分点,和密度曲线的峰值、长尾位置形成对应
    2. 独立子图分面对比:用seaborn的分面功能将男女群体的密度图拆分到两个独立的子图中,完全消除遮挡问题,更方便逐一看清每个群体的分布形状:
    g = sns.FacetGrid(df2, col="sex", height=4)
    g.map(sns.kdeplot, "G3", shade=True)
    g.set(xlim=[0, 20], xlabel="Final Grade")
    

从你提供的13条观测样本初步观察,男生群体的样本成绩整体偏高,女生群体的低分样本占比更高,但这只是极小样本的直观感受,跑完全量数据集的统计和绘图结果后,才能得到可靠的分布差异结论。


内容的提问来源于stack exchange,提问作者sophnas

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.27 08:54:05