通过对比明文和密文的ASCII码直方图，可以直观地体现文本中各个ASCII码值的个数或分布状况，从而对密文的统计特性进行直观的评价。理论上，明文的直方图跌宕起伏，而为了尽可能地隐藏明文中的统计信息，密文应具有较为平坦的直方图。
import numpy as np
import matplotlib.pyplot as plt
def to_ascii(text):
ascii_values = [ord(character) for character in text]
return ascii_values
# text = input("Enter a string: ")
# print(to_ascii(text))
##matplotlib.axes.Axes.hist() 方法的接口
data = np.loadtxt('DNA_encry.txt', dtype=np.str, delimiter='\n');
ascii_values_all_en = []
for i in range(len(data)):
ascii_values_all_en.append(to_ascii(data[i]))
#d=to_ascii(data[])
d_en = sum(ascii_values_all_en, [])
data_de = np.loadtxt('results_newcipin_PAP.txt', dtype=np.str, delimiter='\n');
data_de=data_de.tolist();
ascii_values_all_de = []
for i in range(len(data)):
ascii_values_all_de.append(to_ascii(data_de[i]))
#d=to_ascii(data[])
d_de = sum(ascii_values_all_de, [])
Y1 = [25000,50000,75000,100000,125000,175000,200000,225000]
Y2 = []
for x in Y1:
Y2.append(x/50)
##d = np.random.laplace(loc=15, scale=3, size=500)
#n, bins, patches = plt.hist([d_de,d_en], bins='auto', color=['#0504aa','#607c8e'],
# alpha=0.7, rwidth=0.25, range=(10,120),cumulative=False)
n1, bins1, patches1 = plt.hist(d_de, bins='auto', color='#00B8B8',
alpha=1, rwidth=0.55,
range=(47,125),cumulative=True, label='original')
n2, bins2, patches2 = plt.hist(d_en, bins='auto', color='r',
alpha=0.2, rwidth=0.55,
range=(47,125),cumulative=True, label='encrypted')
plt.plot(bins1[:-1],n1,':',lw=3)#, color='#607c8e'
plt.plot(bins2[:-1],n2,'--',lw=3)#, color='#0504aa'
#gca代表获取当前坐标轴
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
#右边和上边的边框去掉
plt.grid(axis='y', alpha=0.75)
plt.xlabel('Value')
plt.ylabel('Frequency')
#plt.title('My Very Own Histogram')
plt.legend(loc='upper left')# 显示图例
#plt.text(23, 45, r'$\mu=15, b=3$')
#maxfreq = n.max()
# 设置y轴的上限
#plt.ylim(ymax=np.ceil(maxfreq / 10) * 10 if maxfreq % 10 else maxfreq + 10)
plt.show()其中 n2, bins2, patches2 = plt.hist(d_en, bins='auto', color='r',
alpha=0.2, rwidth=0.55,
range=(47,125),cumulative=True, label='encrypted')
的cumulative参数，是指是否是累积直方图，这个概念我没太搞懂，默认是False
下面是转载的一些关于matplotlib.pyplot 画图的细节和例子、
原文链接：https://blog.csdn.net/Yangyuqing_/article/details/124199993
这个超级细节
一、matplotlib.pyplot.hist()语法
hist(x, bins=None, range=None, density=False,weights=None, cumulative=False,
bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None,
log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)
plt.hist(
x,# 指定要绘制直方图的数据
bins,# 设置长条形的数目
range,# 指定直方图数据的上下界，默认包含绘图数据的最大值和最小值（范围）
density=True or False, # 如果"True"，将y轴转化为密度刻度 默认为None
weights,# 该参数可为每一个数据点设置权重
cumulative=True or False,# 是否需要计算累计频数或频率 默认值False
bottom=0, # 可以为直方图的每个条形添加基准线，默认为0
histtype={'bar', 'barstacked', 'step', 'stepfilled'} # 设置样式
# bar柱状形数据并排，默认值。
# barstacked在柱状形数据重叠并排（相同的在一起）
# step柱状形颜色不填充
# stepfilled填充的线性
align='mid' or 'left' or 'right', # 设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’
orientation={'vertical', 'horizontal'},# 设置直方图的摆放方向，默认为垂直方向vertical
rwidth,# 设置直方图条形宽度的百分比
log=True or False,# 是否需要对绘图数据进行log变换 默认值False
color='r',# 设置直方图的填充色
label, # 设置直方图的标签
stacked=True or False, # 当有多个数据时，是否需要将直方图呈堆叠摆放，默认False水平摆放；
facecolor,# 设置长条形颜色(和color效果一致，设置color就不用再设置facecolor)
edgecolor,# 设置边框的颜色
alpha # 设置透明度
)
# 注意组距，得到满意的展示效果
# 注意y轴所代表的变量是频数还是频率
二、绘制直方图
①绘制简单直方图
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
# bins设置长条形的数目
plt.hist(data,bins=10)
plt.show()
②：各个参数绘制的直方图
（1）histtype参数（设置样式bar、barstacked、step、stepfilled）
1. bar：柱状形数据并排（因为bar是默认值，可以不写）
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10)
plt.show()
2. barstacked：在柱状形数据重叠并排（相同的在一起）
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,histtype='barstacked')
plt.show()
3. step：柱状形颜色不填充
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,histtype='step')
plt.show()
4. stepfilled：生成一个默认填充的线图
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,histtype='stepfilled')
plt.show()
（2）range参数（指定直方图数据的上下界，默认包含绘图数据的最大值和最小值（范围））
不想显示数据全部范围，只想查看数据某一个范围内的数据。（例：下图数据范围为140~180之间，只想查看150~170之间的数据)
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,histtype='bar',range=(150,170))
plt.show()
（3）orientation参数 （设置直方图的摆放位置，vertical垂直方向 horizontal水平方向，默认值：vertical垂直方向）
垂直方向（默认垂直，可以不写）：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10)
plt.show()
horizontal水平方向：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal')
plt.show()
（4）density参数（bool值，True：将坐标轴转化为密度刻度，默认值：None）
直方图为垂直方向时，观察y轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,density=True)
plt.show()
直方图为水平方向时，观察x轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal',density=True)
plt.show()
（5）weights参数（为每个数据点设置权重）
直方图为垂直方向时，观察y轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,weights=data)
plt.show()
直方图为水平方向时，观察x轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal',weights=data)
plt.show()
（6）cumulative参数（bool值，是否需要计算累计频数或频率，默认值：False）
频数：指事件发生的次数
频率：指次数占总次数n的比例
频率=频数/n
直方图为垂直方向时：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,cumulative=True)
plt.show()
直方图为水平方向时：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal',cumulative=True)
plt.show()
（7）bottom参数（为直方图添加基准线）
直方图为垂直方向时，观察y轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,bottom=170)
plt.show()
直方图为水平方向时，观察x轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal',bottom=170)
plt.show()
（8）align参数（设置条形边界值的对其方式，mid、left、right，默认值：mid）
mid（默认值可以不写）：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10)
plt.show()
left：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,align='left')
plt.show()
right：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,align='right')
plt.show()
（9）rwidth参数（设置直方图条形宽度的百分比）
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,rwidth=0.5)
plt.show()
（10）log参数（bool值，对绘图数据进行log变换 默认值：False）
直方图为垂直方向时，观察y轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,log=True)
plt.show()
直方图为水平方向时，观察x轴：
import matplotlib.pyplot as plt
import numpy as np
data=np.random.randint(140,180,200)
plt.hist(data,bins=10,orientation='horizontal',log=True)
plt.show()
（11）stacked参数（bool值，当有多个数据时，是否需要将直方图呈堆叠摆放，默认值：False水平摆放）
stacked=False时：（水平摆放）
import matplotlib.pyplot as plt
import numpy as np
x=np.random.randint(140,180,200)
y=np.random.randint(140,180,200)
plt.hist([x,y], bins=10)
plt.show()
stacked=True时：（堆叠摆放）
import matplotlib.pyplot as plt
import numpy as np
x=np.random.randint(140,180,200)
y=np.random.randint(140,180,200)
plt.hist([x,y], bins=10,stacked=True)
plt.show()
（12）直方图所有参数展示：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif']=['FangSong']
fig=plt.figure(figsize=(8,8))
data=np.random.randint(140,180,200)
# data数据
# bins设置长条形的个数
# histtype设置样式 barstacked：在柱状形数据重叠并排（相同的在一起）
# range显示范围
# cumulative累计频数
# align设置边界对齐值为中心对齐
# orientation设置摆放方向为horizontal水平方向
# rwidth设置长条形宽度的百分比为20
# color设置长条形的填充颜色为#FFB6C1
# label设置直方图的标签
# edgecolor设置长条形边框线为#FFD700
# alpha设置长条形的透明度为0.5
# density=True 长条形呈水平方向：density将x轴转换为密度刻度 长条形呈垂直方向：density将y轴转换为密度刻度
# weights=data为每个数据点设置权重
# bottom设置基准线为15000
# log=True是否对数据进行log转换
plt.hist(data,bins=10,histtype='barstacked',range=(140,170),cumulative=True,align='mid',orientation='horizontal',rwidth=20,color='#FFB6C1',
label='数量',edgecolor='#FFD700',alpha=0.5,weights=data,bottom=10000,log=False)
plt.xticks(size=20) # x轴刻度值大小
plt.yticks(size=20) # y轴刻度值大小
plt.title('hist',size=30) # 设置直方图标签
plt.xlabel('x轴',size=15) # 设置x轴标签
plt.ylabel('y轴',size=20) # 设置y轴标签
plt.rcParams.update({'font.size':20}) # 修改图例字体大小
plt.legend()
plt.show()
三、在直方图上画折线图
import matplotlib.pyplot as plt
import numpy as np
x=np.random.normal(100,15,10000)
y=np.random.normal(80,15,10000)
# density=True设置为密度刻度
n1, bins1, patches1 = plt.hist(x, bins=50, density=True, color='#00B8B8', alpha=1)
n2, bins2, patches2 = plt.hist(y, bins=50, density=True, color='r', alpha=0.2)
plt.plot(bins1[:-1],n1,':',lw=3)
plt.plot(bins2[:-1],n2,'--',lw=3)
plt.show()
扫一扫
519
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
