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_amount0.15, ) 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。