Matplotlib——直方图_hist()函数_histogram()函数_二维数据

一个简单的直方图可以直观地展示数据的分布，包括数值分布的区间、密度和形状。

在实际的工作过程中，我们可能需要对数据进行数学建模和统计分析，这些数据处理技术往往基于数据符合的某些假设，而直方图是检查数据最好的选择之一。

下面通过 NumPy 模块提供的随机数据生成函数，产生符合正态分布的随机数据，并以它为样例绘制直方图。

import numpy as np
import matplotlib.pyplot as plt

randn_data = np.random.randn(1000)

plt.hist(randn_data)

plt.show()

这里用到了hist()函数。

plt.hist(x, bins=10, range=None, normed=False,
		weights=None, cumulative=False, bottom=None,
		histtype='bar', align='mid', orientation='vertical',
		rwidth=None, log=False, cokor=None,
		label=None, satacked=False)

“●”的打法：在英文输入法下长按alt然后输入$41457$松开alt就有了

● x ：指定要绘制直方图的数据。
● bins ：指定直方图条形的个数。
● range ：指定直方图数据的上下边界，默认包含绘图数据的最大值和最小值。
● density ：是否将直方图的频数转换成频率。
● weights ：为每一个数据点设置权重。
● cumulative ：是否需要计算累计频数或频率。
● bottom ：为直方图的每个条形添加基准线，默认为0。
● histtype ：指定直方图的类型，默认为 bar，此外还有’barstacked’、‘step’、‘stepfilled’。
● align ：设置条形边界值的对齐方式，默认为mid，此外还有 ‘left’ 和 ‘right’。
● orientation ：设置直方图的放方向，默认为垂直方向。
● rwidth ：设置直方图条形宽度的百分比。
● log ：是否需要对绘图数据进行 log 变换。
● color ：设置直方图的填充色。
● label ：设置直方图的标签，可通过 legend 展示其图例。
● stacked ：当有多个数据时，是否需要将直方图呈堆叠放，默认水平放。

下面尝试一些案例

plt.hist(randn_data,bins=30,
		density=True,histtype='step',
		color='steelblue')

如果要比较多个数据的分布，可以使用选项histtype=‘stepfilled’，并设置一定的透明度。

import numpy as np
import matplotlib.pyplot as plt

randn_data = np.random.randn(1000)

_ = plt.hist(randn_data, bins=30, density=True, histtype='step', color='steelblue')

x1 = np.random.normal(0, 0.4, 1000)
x2 = np.random.normal(-3, 1, 1000)
x3 = np.random.normal(2, 2, 1000)

kwargs = dict(histtype='stepfilled', alpha=0.5, density=True, bins=50)

_ = plt.hist(x1, **kwargs)
#"**"意思为设置默认参数
_ = plt.hist(x2, **kwargs)
_ = plt.hist(x3, **kwargs)

plt.show()

有时我们不仅想通过直方图直观地看到数据，而且想获取不同条形个数区间的频数/频率。NumPy提供的histogram()函数可以满足这个需求。

下面从randn_data中提取设置10个条形时的各自的频数。

import numpy as np
import matplotlib.pyplot as plt

randn_data = np.random.randn(1000)

counts, bin_edges = np.histogram(randn_data, bins=10)

print(counts)

输出：

[  9  31  73 153 235 205 166  87  33   8]

Process finished with exit code 0

设置density=True可以获取相应的频率。

density,bin_edges=np.histogram(randn_data,bins=10,density=True)

print(density)

输出：

[0.01329965 0.04137668 0.12265231 0.27190391 0.38421204 0.32214702
 0.21870532 0.07832015 0.0192106  0.00591095]

Process finished with exit code 0

如果使用的是二维数据，Matplotlib同样提供了hist2d()函数用于查看数据的分布。一维数据中直方图将数据切分到不同的区间中，而二维直方图在两个维度进行切分，因此会得到一个一个的小矩形。

下面演示二维数据绘图

import numpy as np
import matplotlib.pyplot as plt

mean = [0, 0]  # 均值
cov = [[1, 1], [1, 2]]  # 协方差矩阵
x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 绘制图形
plt.hist2d(x, y, bins=30, cmap='Blues')
cb = plt.colorbar()
cb.set_label(u'计数')

plt.show()