直方图是一种统计图形，用于展示数据的分布情况。直方图的基本原理是将数据分成若干个区间，每个区间称为一个bin，然后统计每个bin中数据的数量，并将这些数量绘制在条形图中。通过直方图，我们可以直观地了解数据的分布情况，例如数据的最大值、最小值、中位数等。
下面，我们通过直方图来介绍Matplotlib的使用。
5.1绘制默认直方图
5.1.1绘图代码
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
np.random.seed(10021) #设置随机数生成器的种子为10021，这样每次运行代码时，生成的随机数序列都是一样的，便于复现结果。
x = np.random.randn(N) * 2 + 15 #使用numpy的random.randn函数生成N个标准正态分布（均值为0，标准差为1）的随机数，并乘以2再加15，得到均值为15，标准差为2的数据集x
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(x)
# 显示绘制的直方图
plt.show()
#绘图
plt.hist(x)
#显示图表
plt.show()以上代码的功能是生成一个直方图。首先，设置了数据点的数量为1000个。然后，使用np.random.seed()函数设置了随机数生成器的种子为10021，这样每次运行代码时生成的随机数序列都是一样的，有助于结果的复现。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以2再加上15，得到均值为15，标准差为2的数据集x。然后，使用plt.hist()函数绘制x的直方图。最后，调用plt.show()显示绘制的直方图。
5.1.2图像呈现
提示：默认分箱bins为10个。
5.2设置直方图bins数
5.2.1绘图代码
改动之处：bins=40, #设置bins数目为40个
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
np.random.seed(10021) #设置随机数生成器的种子为10021，这样每次运行代码时，生成的随机数序列都是一样的，便于复现结果。
x = np.random.randn(N) * 2 + 15 #使用numpy的random.randn函数生成N个标准正态分布（均值为0，标准差为1）的随机数，并乘以2再加15，得到均值为15，标准差为2的数据集x
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x,
bins=40, #设置bins数目为40个
label=r'μ = 15, σ = 2' #添加图例
)
plt.legend()#显示图例
# 显示绘制的直方图
plt.show()以上代码的功能是生成一个带有图例的直方图。首先，设置了数据点的数量为1000个。然后，使用np.random.seed()函数设置了随机数生成器的种子为10021，这样每次运行代码时生成的随机数序列都是一样的，有助于结果的复现。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以2再加上15，得到均值为15，标准差为2的数据集x。然后，创建一个新的图表对象，并设置dpi为120。使用plt.hist()函数绘制x的直方图，在参数中指定了bins数目为40个，并添加了图例标签r'μ = 15, σ = 2'。最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.2.2图像呈现
5.3设置直方图配色、轴范围
下面对直方图配色和横轴显示范围进行修改：
5.3.1绘图代码
改动之处：range=(12,18),#设置横轴显示范围
color='orange',#修改配色
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
np.random.seed(10021) #设置随机数生成器的种子为10021，这样每次运行代码时，生成的随机数序列都是一样的，便于复现结果。
x = np.random.randn(N) * 2 + 15 #使用numpy的random.randn函数生成N个标准正态分布（均值为0，标准差为1）的随机数，并乘以2再加15，得到均值为15，标准差为2的数据集x
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x,
bins=40, #设置bins数目为40个
range=(12,18),#设置横轴显示范围
color='orange',#修改配色
label=r'μ = 15, σ = 2' #添加图例
)
#显示图例
plt.legend()
#显示图表
plt.show()这段代码的功能是生成一个带有图例的直方图，并对绘图进行了一些修改。首先，设置了数据点的数量为1000个。然后，使用np.random.seed()函数设置了随机数生成器的种子为10021，这样每次运行代码时生成的随机数序列都是一样的，有助于结果的复现。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以2再加上15，得到均值为15，标准差为2的数据集x。然后，创建一个新的图表对象，并设置dpi为120。使用plt.hist()函数绘制x的直方图，在参数中指定了bins数目为40个，横轴显示范围为12到18，配色为橙色，并添加了图例标签r'μ = 15, σ = 2'。最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.3.2图像呈现
5.4绘制水平直方图
5.4.1绘图代码
改动之处： orientation='horizontal', #水平方向直方图
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
np.random.seed(10021) #设置随机数生成器的种子为10021，这样每次运行代码时，生成的随机数序列都是一样的，便于复现结果。
x = np.random.randn(N) * 2 + 15 #使用numpy的random.randn函数生成N个标准正态分布（均值为0，标准差为1）的随机数，并乘以2再加15，得到均值为15，标准差为2的数据集x
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x,
bins=25, #设置bins数目为25个
range=(12,18),#设置横轴显示范围
color='pink',#修改配色
orientation='horizontal', #水平方向直方图
label=r'μ = 15, σ = 2' #添加图例
)
#显示图例
plt.legend()
#显示图表
plt.show()这段代码的功能是生成一个带有图例的水平方向直方图，并对绘图进行了一些修改。首先，设置了数据点的数量为1000个。然后，使用np.random.seed()函数设置了随机数生成器的种子为10021，这样每次运行代码时生成的随机数序列都是一样的，有助于结果的复现。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以2再加上15，得到均值为15，标准差为2的数据集x。然后，创建一个新的图表对象，并设置dpi为120。使用plt.hist()函数绘制x的直方图，在参数中指定了bins数目为25个，横轴显示范围为12到18，配色为粉色，且为水平方向直方图，并添加了图例标签r'μ = 15, σ = 2'。最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.4.2图像呈现
5.5给直方图bins添加边界线
5.5.1绘图代码
改动之处：edgecolor='k', #bins边界上色
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
np.random.seed(10021) #设置随机数生成器的种子为10021，这样每次运行代码时，生成的随机数序列都是一样的，便于复现结果。
x = np.random.randn(N) * 2 + 15 #使用numpy的random.randn函数生成N个标准正态分布（均值为0，标准差为1）的随机数，并乘以2再加15，得到均值为15，标准差为2的数据集x
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x,
bins=25, #设置bins数目为25个
range=(12,18),#设置横轴显示范围
color='royalblue',#修改配色
orientation='horizontal', #水平方向直方图
edgecolor='k', #bins边界上色
label=r'μ = 15, σ = 2' #添加图例
)
#显示图例
plt.legend()
#显示图表
plt.show()这段代码的功能是生成一个带有图例的水平方向直方图，并对绘图进行了一些修改。首先，设置了数据点的数量为1000个。然后，使用np.random.seed()函数设置了随机数生成器的种子为10021，这样每次运行代码时生成的随机数序列都是一样的，有助于结果的复现。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以2再加上15，得到均值为15，标准差为2的数据集x。然后，创建一个新的图表对象，并设置dpi为120。使用plt.hist()函数绘制x的直方图，在参数中指定了bins数目为25个，横轴显示范围为12到18，配色为皇家蓝，且为水平方向直方图，并添加了图例标签r'μ = 15, σ = 2'。通过设置edgecolor='k'，可以将bins的边界颜色设置为黑色。最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.5.2图像呈现
5.6绘制多组直方图
5.6.1绘图代码
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
mu1 = 5
mu2 = 10
mu3 = 15
sigma1 = 5
sigma2 = 3
sigma3 = 2
x1 = np.random.randn(N) * sigma1 + mu1
x2 = np.random.randn(N) * sigma2 + mu2
x3 = np.random.randn(N) * sigma3 + mu3
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x1, #变量1
bins=30,
color='royalblue',
label=r'$\mu = $ ' + str(mu1) + ', $\\sigma = $ ' + str(sigma1))
plt.hist(
x2, #变量2
bins=30,
color='tomato',
label=r'$\mu = $ ' + str(mu2) + ',$\\sigma = $ ' + str(sigma2))
plt.hist(
x3, #变量3
bins=30,
color='gray',
label=r'$\mu = $ ' + str(mu3) + ', $\\sigma = $ ' + str(sigma3))
#显示图例
plt.legend()
#显示图表
plt.show()这段代码的功能是生成三个具有不同均值和标准差的变量的直方图，并添加了相应的图例。首先，设置了数据点的数量为1000个。然后，分别定义了三个变量的均值和标准差。接下来，使用np.random.randn()函数生成N个标准正态分布的随机数，并乘以相应的标准差再加上均值，得到三个具有不同均值和标准差的数据集x1、x2和x3。然后，创建一个新的图表对象，并设置dpi为120。使用plt.hist()函数绘制x1、x2和x3的直方图，分别指定了bins数目为30个，同时，为了区分不同的变量，给每个直方图设置了不同的配色。通过使用LaTeX格式化字符串，在图例标签中显示了每个变量的均值和标准差。
最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.6.2图像呈现
5.7 修改直方图箱子透明度
5.7.1绘图代码
改动地方：alpha=.7 #透明度通过alpha设置
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
mu1 = 5
mu2 = 10
mu3 = 15
sigma1 = 5
sigma2 = 3
sigma3 = 2
x1 = np.random.randn(N) * sigma1 + mu1
x2 = np.random.randn(N) * sigma2 + mu2
x3 = np.random.randn(N) * sigma3 + mu3
plt.figure(dpi=120)
# 使用matplotlib的hist函数绘制x的直方图
plt.hist(
x1, #变量1
bins=30,
color='royalblue',
label=r'$\mu = $ ' + str(mu1) + ', $\\sigma = $ ' + str(sigma1),
alpha=.7 #透明度通过alpha设置
)
plt.hist(
x2, #变量2
bins=30,
color='tomato',
label=r'$\mu = $ ' + str(mu2) + ',$\\sigma = $ ' + str(sigma2),
alpha=.7 #透明度通过alpha设置
)
plt.hist(
x3, #变量3
bins=30,
color='gray',
label=r'$\mu = $ ' + str(mu3) + ', $\\sigma = $ ' + str(sigma3),
alpha=.7 #透明度通过alpha设置
)
#显示图例
plt.legend()
#显示图表
plt.show()这段代码在原有的基础上添加了alpha参数来设置直方图的透明度。通过alpha=0.7的设置，使得直方图呈现出一定的透明效果，让重叠的区域更加清晰可见。
最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.7.2图像呈现
5.7.3通过代码循环简化
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N = 1000
mu1 = 5
mu2 = 10
mu3 = 15
sigma1 = 5
sigma2 = 3
sigma3 = 2
x1 = np.random.randn(N) * sigma1 + mu1
x2 = np.random.randn(N) * sigma2 + mu2
x3 = np.random.randn(N) * sigma3 + mu3
mu = np.array([mu1, mu2, mu3])
sigma = np.array([sigma1, sigma2, sigma3])
x = np.array([x1, x2, x3])
colors = ['royalblue', 'tomato', 'gray']
plt.figure(dpi=120)
#循环方式绘图
for i in range(len(x)):
plt.hist(x[i], bins = 30, color = colors[i],label = r'$\mu = $ ' + str(mu[i]) +', $\\sigma = $ ' + str(sigma[i]), alpha = .7)
#显示图例
plt.legend()
#显示图表
plt.show()其绘图效果与5.7.2完全相同。
5.8绘制多组直方图
通过循环，我们可以一图绘制更多直方图。
5.8.1绘图代码
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
#准备相关数据
N_func = 10 #设置函数数量为10。
N_data = 1000 #设置数据点数量为1000。
np.random.seed(1000) #设置随机种子，保证结果可重现。
mu = np.random.randint(low=-5, high=5, size=N_func) #随机生成N_func个位于-5和5之间的整数均值。
sigma = np.random.randint(low=1, high=5, size=N_func) #随机生成N_func个位于1和5之间的整数标准差。
x = [] #创建一个空列表用于存储数据。
#对每个均值mu[i]和标准差sigma[i]生成N_data个正态分布随机数，并将它们添加到x列表中。
for i in range(len(mu)):
xi = np.random.randn(N_data) * sigma[i] + mu[i]
x.append(xi)
colors = ['#00429d', '#7f40a2', '#a653a1', '#c76a9f', '#e4849c', '#d0e848','#b6cf54', '#a9b356', '#b2914b', '#ff0001']
plt.figure(dpi=120) # 创建一个新的图表对象，并设置dpi为120。
# 对于每个均值mu[i]，绘制直方图。
for i in range(len(mu)):
plt.hist(x[i],bins=30,color=colors[i],label=r'$\mu = $ ' + str(mu[i]) + ', $\\sigma = $ ' +str(sigma[i]),alpha=.7)
#绘制直方图，设置颜色、标签和透明度。
plt.legend(bbox_to_anchor=(1.33, 1.03)) #设置图例位置。
#显示图例
plt.legend()
#显示图表
plt.show()这段代码通过随机生成N_func个位于-5和5之间的整数作为均值mu，以及位于1和5之间的整数作为标准差sigma。然后，对于每个均值mu[i]和标准差sigma[i]，生成N_data个正态分布随机数，并将它们添加到x列表中。
接下来，使用不同的颜色来区分不同的直方图，并在图例中显示每个变量的均值和标准差。最后，调用plt.legend()函数显示图例，并调用plt.show()显示绘制的直方图。
5.8.2图像呈现
5.9绘制2D直方图
2D直方图，也称为二维直方图，是一种在二维平面上展示数据分布情况的图表。它将数据按照两个维度进行划分，并统计每个区域内的数据点数量，然后以颜色的深浅或不同来表示数量的多少。
5.9.1 2D直方图的使用场景
- 数据分布分析：2D直方图可用于分析两个变量之间的关系以及它们的分布情况。例如，在金融领域，可以使用2D直方图来分析股票价格和成交量之间的关系，帮助投资者了解市场的走势和波动情况。
- 图像处理：在图像处理中，2D直方图可用于表示图像的灰度级别和像素数量之间的关系。通过分析图像的2D直方图，可以对图像进行增强、去噪等操作。
- 特征提取：在机器学习和数据挖掘中，2D直方图可以作为特征提取的一种手段。通过将数据集映射到2D平面上，并分析数据点在平面上的分布情况，可以提取出数据集的一些统计特征，如中心趋势、离散程度和偏斜程度等。
- 可视化复杂数据集：对于包含多个变量的复杂数据集，使用2D直方图可以直观地展示数据在多个维度上的分布情况。这有助于用户更好地理解数据集的整体特征和潜在关系。
5.9.2绘图代码
关键代码：plt.hist2d(x, y) #2D直方图需要传入两个变量
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
N = 1_000
np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)
plt.figure(dpi=120) # 创建一个新的图表对象，并设置dpi为120。
plt.hist2d(x, y) #2D直方图需要传入两个变量
#显示图表
plt.show()这段代码通过使用np.random.randn()函数从标准正态分布生成N个随机数作为x和y的坐标。然后，使用plt.hist2d()函数绘制二维直方图，传入x和y作为参数。最后，调用plt.show()显示绘制的二维直方图。
5.9.3图像呈现
5.10修改2D直方图bins数
5.10.1绘图代码
#导入相关库
import numpy as np #导入numpy库
import matplotlib.pyplot as plt #导入matplotlib的绘图模块
N = 1_000
np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)
plt.figure(dpi=120) # 创建一个新的图表对象，并设置dpi为120。
plt.hist2d(x, y, bins=(25, 25)) #2D直方图修改bins也需要传入两个变量
#显示图表
plt.show()以上代码的功能是生成一个二维直方图。
首先，设置了数据点的数量为1,000个。然后使用np.random.randn()函数生成服从标准正态分布的随机数作为x和y坐标。接下来，创建一个新的图表对象，并设置dpi为120。最后，使用hist2d()函数绘制二维直方图，传入x和y作为数据，并指定了直方图的箱子数量为(25, 25)。最后，调用plt.show()显示图表。
5.10.2图像呈现
5.11在2D直方图中定义colormap
5.11.1绘图代码
# 导入相关库
import numpy as np # 导入numpy库，用于处理数组和数值计算
import matplotlib.pyplot as plt # 导入matplotlib的绘图模块，用于可视化
import matplotlib.cm as cm # 导入matplotlib的颜色映射模块，用于处理颜色映射
from matplotlib.colors import ListedColormap, LinearSegmentedColormap # 导入matplotlib的颜色映射对象
top = plt.get_cmap('Oranges_r', 128) # 获取'Oranges_r'颜色映射对象，包含128个颜色
bottom = plt.get_cmap('Blues', 128) # 获取'Blues'颜色映射对象，包含128个颜色
newcolors = np.vstack((top(np.linspace(0, 1, 128)), bottom(np.linspace(0, 1, 128))))
# 使用np.linspace()函数在0到1之间生成128个等间距的值，并使用top和bottom颜色映射对象将这些值转换为对应的颜色，然后通过np.vstack()函数将两个颜色映射堆叠起来，形成新的颜色映射
orange_blue = ListedColormap(newcolors, name='OrangeBlue') # 使用ListedColormap类创建自定义的colormap，传入新的颜色映射数组和名称
N = 10_000 # 设置数据点的数量
np.random.seed(100) # 设置随机数种子，保证每次运行代码时生成的随机数相同
x = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为x坐标
y = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为y坐标
plt.figure(dpi=120) # 创建一个新的绘图窗口，并设置分辨率为120dpi
plt.hist2d(
x,
y,
bins=(75, 75),
cmap=orange_blue # 传入自定义的colormap作为参数
)
cb = plt.colorbar() # 添加颜色条
cb.set_label('counts each bin', labelpad=10) # 设置颜色条的标签和标签与颜色条之间的距离
# 显示图表
plt.show()
以上代码的功能是生成一个二维直方图，并使用自定义的colormap进行颜色填充。
通过调用get_cmap()函数获得两个颜色映射对象，然后将它们合并成一个新的颜色映射对象。随机生成一些数据点，并使用hist2d()函数将数据绘制成二维直方图。最后，添加颜色条并显示图表。
5.11.2图像呈现
5.12 设置2D直方图显示范围内变量
5.12.1绘图代码
# 导入相关库
import numpy as np # 导入numpy库，用于处理数组和数值计算
import matplotlib.pyplot as plt # 导入matplotlib的绘图模块，用于可视化
N = 10_000 # 设置数据点的数量
np.random.seed(100) # 设置随机数种子，保证每次运行代码时生成的随机数相同
x = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为x坐标
y = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为y坐标
plt.figure(dpi=120) # 创建一个新的图表对象，并设置dpi为120。
plt.hist2d(x, y, bins=(75, 75), cmap='jet', cmin=5, cmax=25) # 使用hist2d()函数绘制二维直方图，传入x和y作为数据，bins参数指定了直方图的箱子数量为(75, 75)，cmap参数指定了使用'jet'颜色映射，cmin和cmax参数限制了颜色映射的范围。
cb = plt.colorbar() # 添加颜色条
cb.set_label('counts each bin', labelpad=10) # 设置颜色条的标签和标签与颜色条之间的距离
# 显示图表
plt.show()
以上代码的功能是生成一个二维直方图，并使用'jet'颜色映射进行颜色填充。
首先，设置了数据点的数量为10,000个。然后使用np.random.randn()函数生成服从标准正态分布的随机数作为x和y坐标。接下来，创建一个新的图表对象，并设置dpi为120。然后，使用hist2d()函数绘制二维直方图，传入x和y作为数据，并指定了直方图的箱子数量为(75, 75)。同时，通过cmap参数指定了使用'jet'颜色映射，并使用cmin和cmax参数限制了颜色映射的范围。接着，添加颜色条并设置标签和标签与颜色条之间的距离。最后，调用plt.show()显示图表。
5.12.2图像呈现
5.13 绘制边界直方图
5.13.1绘图代码
# 导入相关库
import numpy as np # 导入numpy库，用于处理数组和数值计算
import matplotlib.pyplot as plt # 导入matplotlib的绘图模块，用于可视化
N = 10_000 # 设置数据点的数量
np.random.seed(100) # 设置随机数种子，保证每次运行代码时生成的随机数相同
x = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为x坐标
y = np.random.randn(N) # 使用np.random.randn()函数生成N个服从标准正态分布的随机数作为y坐标
rows = 5 # 定义网格的行数
columns = 5 # 定义网格的列数
grid = plt.GridSpec(rows, columns, wspace=.4, hspace=.4) # 创建一个网格布局对象，指定行数、列数和水平/垂直间距
plt.figure(dpi=120) # 创建一个新的图表对象，并设置dpi为120。
plt.subplot(grid[0, 0:-1]) # 在网格的第一行第一列到倒数第2列位置创建一个子图
plt.hist(x, bins=40, color='royalblue', alpha=.6) # 绘制x的直方图，设置箱子数量为40，颜色为'royalblue'，透明度为0.6
plt.annotate('Normal 1', xy=(2, 500), va='center', ha='left') # 添加一个文本注释，标识为'Normal 1'，在坐标(2, 500)处，垂直对齐方式为居中，水平对齐方式为左对齐
plt.subplot(grid[1:rows + 1, 0:-1]) # 在网格的第2行到最后一行、第一列到倒数第2列位置创建一个子图
plt.hist2d(x, y, cmap='Blues', bins=(30, 40)) # 绘制二维直方图，使用'Blues'颜色映射，指定箱子数量为(30, 40)
plt.axis('equal') # 设置x轴和y轴的刻度比例相等，使图形显示为正圆形
plt.subplot(grid[1:rows + 1, -1]) # 在网格的第2行到最后一行、最后一列位置创建一个子图
plt.hist(y, bins=40, orientation='horizontal', color='royalblue', alpha=.6) # 绘制y的直方图，设置箱子数量为40，方向为横向，颜色为'royalblue'，透明度为0.6
plt.annotate('Normal 2', xy=(500, 2), va='bottom', ha='center', rotation=-90) # 添加一个文本注释，标识为'Normal 2'，在坐标(500, 2)处，垂直对齐方式为底部对齐，水平对齐方式为居中对齐，旋转角度为-90度
# 显示图表
plt.show()
以上代码的功能是生成一个包含多个子图的图表。首先，设置了数据点的数量为10,000个，并使用np.random.randn()函数生成服从标准正态分布的随机数作为x和y坐标。接下来，定义了图表中子图的行数和列数，并创建一个网格布局。然后，创建一个新的图表对象，并设置dpi为120。接着，在不同的子图位置上绘制各种直方图，使用plt.subplot()指定子图的位置，plt.hist()绘制一维直方图，plt.hist2d()绘制二维直方图。同时，使用annotate()添加文本注释来说明每个子图的内容。最后，调用plt.show()显示图表。
5.13.2图像呈现
2020
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
