概率密度直方图（可看作PDF的在步长较大时的近似）与累积分布直方图（可看作CDF的在步长较大时的近似）

• 在概率密度直方图中，取到任一bin中的一个样本的平均概率，等于该箱的高度(纵坐标y值) × 宽度(横坐标间距δx) ÷ 该箱中样本个数(n_samples)，而不是等于纵坐标y值；即此时面积表示概率之和，而不是纵坐标y值表示单一样本概率；如图1、图2所示。
• 在累积分布直方图中，取到任一bin中的一个样本的平均概率，等于（该箱的高度(纵坐标y值) －左侧箱的高度）/ 该箱中样本个数；即此时纵坐标y值表示概率，但为累计概率；如图3、图4所示。
• 当箱的个数等于样本总数，即每个箱中只有一个样本时，取到任意一个样本的概率，在概率密度直方图中，等于该箱的高度 × 宽度；在累积分布直方图中，等于该箱的高度－左侧箱的高度。此时累积分布直方图趋近于累计分布函数(CDF)，但概率密度直方图中各箱顶点的连线通常并不趋近于概率密度函数(PDF)，因为在各个横坐标处，也就是样本的取值处，通常会存在离群的样本取值概率，也就是离群的纵坐标值；只有对该直方图取一定程度的平滑曲线，才趋近于概率密度函数；如图5、图6所示。

图1 bins=4的概率密度直方图


图2 bins=40的概率密度直方图


图3 bins=4的累积分布直方图


图4 bins=40的累积分布直方图


图5 bins等于样本总数时的概率密度直方图


图6 bins等于样本总数时的累积分布直方图

• 下面是绘图的代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression


X, y_origin = make_regression(n_samples=10000, noise=100, random_state=0)  # create data
y_scale = (y_origin + abs(y_origin.min())) / 200  # shift and shrink
y_exp = np.expm1(y_scale)  # exp(x) - 1
y_log = np.log1p(y_exp)  # log(1 + x)
print(sum(y_scale - y_log < 1e-10) == len(y_origin))  # y_log is equal to y_scale

n_samples = 2500  # each bin has n_samples, so there are len(y_origin) / n_samples bins.

f, (ax0, ax1) = plt.subplots(1, 2)
ax0.hist(y_origin, bins=int(len(y_origin)/n_samples), density=True, cumulative=True)
ax0.set_title('y_origin')
ax1.hist(y_scale, bins=int(len(y_scale)/n_samples), density=True, cumulative=True)
ax1.set_title('y_scale')
f.suptitle("Synthetic data", y=0.06, x=0.53)
f.tight_layout(rect=[0.05, 0.05, 0.95, 0.95])
plt.show()

f, (ax0, ax1) = plt.subplots(1, 2)
ax0.hist(y_exp, bins=int(len(y_exp)/n_samples), density=True, cumulative=True)
# ax0.set_xlim([-100, 1700])
ax0.set_title('y_exp')
ax1.hist(y_log, bins=int(len(y_log)/n_samples), density=True, cumulative=True)
ax1.set_title('y_log')
f.suptitle("Synthetic data", y=0.06, x=0.53)
f.tight_layout(rect=[0.05, 0.05, 0.95, 0.95])
plt.show()