Excel 也能画蜂群图?用 Python 把异常数据揪出来!
- 2026-11-07 10:51:18
Excel 也能画蜂群图?用 Python 把异常数据揪出来!
做数据分析，最怕什么？ 不是数据太多，而是数据明明有问题，平均值却看起来一切正常。 比如，某公司的快递平均送达时间是 25 小时。乍一看，效率还不错。可仔细一查，有些包裹 10 小时就到了，有些却拖了 60 小时。 这就尴尬了：平均值没撒谎，但它确实没把全部实情告诉你。 这时候，除了柱形图和折线图，还可以试试一种有意思的图表——蜂群图（Swarmplot）。 今天就用 Excel 中的 Python 功能，看看它究竟能帮我们发现什么。 一、蜂群图到底有什么用？ 简单来说，蜂群图就是把每条数据画成一个点，再让这些点沿着分类轴错开排列，尽量避免重叠。 它有三个实用之处： 看分布：数据主要集中在哪个范围，一眼就能看出来。 找异常：大部分数据挤在一起，偏偏有几个点跑得老远，就值得重点检查。 做对比：不同类别的数据放在一起，谁更稳定、谁波动更大，不必光靠猜。 注意，蜂群图能帮助我们发现可疑数据，但远离数据群的点不一定就是错误记录，还需要结合业务情况判断。 二、准备数据，开始画图 假设我们有一份物流数据，记录了不同运输方式的送达耗时，以及包裹是否属于易碎品。 数据大致如下：
以上只是演示数据，实际分析时使用自己的完整数据表即可。 第一步：调用 Python 在 Excel 中找到目标单元格，输入 =PY，进入 Python 公式编辑环境。 然后使用 Seaborn 绘图库中的 swarmplot() 函数。 基础公式如下： PYTHON =PY sns.swarmplot(data=数据表, x='运输方式', y='送达耗时') 这里的三个参数分别表示： data：要分析的数据表。 x：横轴上的分类字段，这里是运输方式。 y：纵轴上的数值字段，这里是送达耗时。 实际使用时，需要将示例中的字段名称替换成数据表里的真实列名。 第二步：观察数据分布 运行代码后，就能看到不同运输方式对应的数据点。 假设加急运输的大部分记录集中在 20～30 小时之间，却有几个点超过 50 小时。 
这时就值得追问了：是运输途中出现延误，还是个别订单存在特殊情况？ 相比只看平均值，蜂群图让每条记录都露了面。谁在正常发挥，谁在拖后腿，至少有了进一步调查的线索。 当然，具体分布要以实际数据绘制的结果为准，不能仅凭示例就认定真实业务存在同样的问题。 三、再加一个维度，分析更细致 光知道哪种运输方式耗时长还不够。 如果我们还想知道：易碎品是不是比普通包裹更慢？ 就可以增加 hue 参数，按包裹类型给数据点着色。 PYTHON =PY sns.swarmplot(data=数据表, x='运输方式', y='送达耗时', hue='包裹类型') 其中，hue='包裹类型' 用于区分不同类别，颜色由 Seaborn 的调色方案决定，并非固定为某两种颜色。 这样一来，同一种运输方式下，不同类型包裹的耗时分布就能放在一起比较。 例如，如果图中易碎品的点整体偏高，就可以进一步检查包装处理、运输流程或配送安排是否存在差异。 不过，看到相关性不代表找到了原因。蜂群图负责提供线索，真正的业务归因还需要结合更多数据验证。 四、使用时有两个小提醒 提醒 01 Python in Excel 的具体操作界面可能因版本而异。提交代码以及将图表显示在单元格上方的操作，请以当前 Excel 界面为准。 提醒 02 Seaborn 的 swarmplot() 会尝试调整点的位置以减少重叠。数据量特别大时，绘图可能变慢，甚至出现点无法完全排开的情况。 另外，以上代码是按 Python in Excel 的公式调用方式编写的示例。不同版本对 Python 单元格、数据引用和图像显示的支持可能有所差异，实际使用前建议先确认当前环境支持相应功能。 写在最后 
数据分析不只是计算总和、平均值，再做一张漂亮的柱形图。 有时候，把每一条记录摆出来，反而更容易发现问题。 下次遇到物流耗时、客服响应时间、产品检测结果等数据，不妨试试蜂群图。 毕竟，平均值负责汇报整体情况，而那些不起眼的小点，说不定才藏着真正值得解决的问题。 公众号、小红书、抖音、视频号全平台同名：Frank讲数据 话题：Excel 实用技巧 / Excel 数据整理 / Power Query / Power BI / AI 办公
| 57 | ||
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
