df.plot.hist() 默认 bins=10 易失真，应依数据特性选策略：整数变量用 range 精确分箱，大样本用 'fd' 或 bins=30；叠加时必设 alpha；kde 带宽影响平滑度，小样本用 'scott'，大样本或偏态用 'silverman'；plot.density() 是 plot.kde() 的别名，参数行为完全一致；所有绘图均返回 axes，需 plt.savefig() 和 plt.show() 才可见结果。
用 df.plot.hist() 画直方图时，为什么柱子数量总是不对？
默认柱数由 Pandas 自动估算（bins=10），但实际数据范围或样本量变化时，容易导致分布细节丢失或堆叠过密。关键不是改 bins 数值本身，而是结合数据特性选策略：
- 若想看粗略分布趋势，保留默认即可；
- 若变量是整数且取值有限（比如评分 1–5），用
bins=range(min_val, max_val+2)确保每个整数档位单独成柱； - 若样本量 > 1000，建议显式设
bins=30或bins='fd'（Freedman-Diaconis 规则），比默认更稳健； -
df.plot.hist(bins=20, alpha=0.7)中的alpha很重要——多列叠加时没它会完全遮盖底层。
用 df.plot.kde() 画密度曲线，带宽（bw_method）怎么选？
KDE 结果高度依赖带宽：太小 → 曲线毛刺、过拟合；太大 → 峰值被抹平、失真。Pandas 默认用 'scott'，但实际中：
- 小样本（
n ）慎用 KDE，优先直方图 + <code>density=True； - 若分布有明显双峰，尝试
bw_method=0.3手动压低带宽，暴露结构； - 想和直方图叠加验证，必须保证两者纵轴单位一致：
df.plot.hist(density=True, bins=30)+df.plot.kde(bw_method='silverman')； -
bw_method='silverman'比'scott'更保守，适合偏态数据。
用 df.boxplot() 画箱线图，如何避免异常值淹没主体？
默认会把所有离群点（outlier）单独标为小圆点，当数据含大量极端值时，图面杂乱、中位数/四分位距反而难识别：
Python 3.14.2
下载
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 加参数
showfliers=False直接隐藏离群点，聚焦主体分布； - 若需保留异常信息，改用
df.plot(kind='box', sym='')（空字符串禁用符号）； - 多列对比时，列名含空格或特殊字符会导致 x 轴标签错位——提前用
df.columns = df.columns.str.replace(' ', '_')清理； - 横向箱线图更省空间：
df.plot.box(vert=False)，尤其列数 > 5 时。
为什么 df.plot.density() 和 df.plot.kde() 效果一样？
这是 Pandas 的别名机制：density 是 kde 的同义调用，底层完全复用相同逻辑，参数、返回对象、绘图行为无任何差异。唯一区别是语义：
-
df.plot.kde()强调“核密度估计”方法本身； -
df.plot.density()更侧重“绘制密度”这个动作； - 二者都接受
bw_method、ind（指定 x 轴点）、ax（复用坐标轴）等全部参数； - 别在同一个脚本里混用——易引发团队协作时的理解偏差，统一选一个即可。
真正容易被忽略的是：所有这些绘图方法返回的是 matplotlib.axes.Axes 对象，不是图片文件。要保存，必须显式调用 plt.savefig()；要显示，得补一句 plt.show()。不写这两句，跑完代码什么也看不到。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
