我们知道，在描述单个变量时，我们可以使用箱线图、直方图、核密度估计图等将数据的分布给绘制出来。

想要学习更多可视化知识的话，可以到我的历史文章中查阅更多分享，比如《从零开始学Python可视化》系列、《7天学会Python最佳可视化工具Seaborn》系列、《一天一图学Python可视化》系列等。同时我还会分享许多关于爬虫、数据分析与挖掘、机器学习等的知识，欢迎感兴趣的同学关注我！

但是箱线图仅仅表现出了一些核心的集中趋势度量，不能完整地呈现分布形态；直方图和核密度估计则不能很好地应对多变量的情况（因为占地儿太大……）。那么我们如何应对宽表型数据呢？

注：宽表型数据是指将某个分类变量的多个水平拆分开来，每个水平对应一组数据，作为单独的一列。比如，我们有三个班级的数据成绩数据，每个班级作为一列，一共三列，这种数据就是宽表型数据。

如果看过我之前的《7天学会Python最佳可视化工具Seaborn》系列，那你可能已经想到了，我们可以使用小提琴图来绘制宽表型数据的分布形态。

来我们先看代码和图形效果：

import numpy as np
import seaborn as sns

sns.set()

# 创建数据集
rs = np.random.RandomState(0)
n, p = 40, 8
d = rs.normal(0, 2, (n, p))
d += np.log(np.arange(1, p + 1)) * -5 + 10

# 绘制小提琴图，并且将数据点置于其中
sns.violinplot(data=d, inner="points");

可以看到，小提琴图中，不同位置的胖瘦就代表了这个位置的数据集中情况。同时我们还可以将每个数据点在小提琴内部表现出来。

那么我们详细解释一下代码：

第一步，我们导入必要的库，并且使用seaborn的默认样式。

第二步，创建我们的测试数据集，它是一个符合正态分布的二维数组。然后我们再给每一列数据分别加上一个不同的值，使得他们区分开来，这样能凸显出小提琴图的对比作用。

第三步，绘制小提琴图，并且用inner="points"在小提琴内部打开散点开关。

你学会了吗？有任何问题，都可以在下方留言哦！