matplotlib绘制简单密度图与直方图结合

最新推荐文章于 2024-04-22 11:32:56 发布
最新推荐文章于 2024-04-22 11:32:56 发布
阅读量4.4k 收藏 9
点赞数
分类专栏： matplotlib 文章标签： python 可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43920024/article/details/107110130
版权

matplotlib绘制简单密度图与直方图结合

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import matplotlib.mlab as mlab
# 加载数据
data = pd.read_csv("birth-rate.csv")
# 删除空数据
data.dropna(subset=['2008'], inplace=True)
# print(data.head(5))
#绘制密度图
k = mlab.GaussianKDE(data['2008'])
x = np.linspace(start=data['2008'].min(), stop=data['2008'].max(), num=100)
plt.plot(x, k(x))
# 绘制直方图
plt.hist(x=data['2008'],bins=np.arange(data['2008'].min(), data['2008'].max(), 3),density=True, edgecolor='black')
# 显示
plt.show()

结果图

在这里插入图片描述

数据
"""
0      11.716000
1      46.538000
2      42.875000
3      14.649000
4      13.281000
5      26.324048
6      14.004000
7      17.269000
8      15.299000
11     13.800000
12      9.326000
13     17.800000
14     34.465000
15     11.672000
16     39.395000
17     47.212000
18     21.431000
19     10.194000
20     18.017000
21     16.704000
22      9.097000
23     11.140000
24     24.698000
25     12.482000
26     27.104000
27     16.194000
28     11.208000
29     19.802000
30     21.494000
31     24.540000
32     35.422000
33     11.250000
34     10.055000
35      9.330000
36     14.942000
37     12.140000
38     34.952000
39     36.860000
40     34.509000
41     20.403000
42     32.426000
43     24.121000
44     16.677000
45     10.488000
47     11.496000
48     11.470000
49      8.312000
50     28.435000
52     11.839000
53     22.527000
54     20.759000
55     14.392480
56     13.860763
57     14.662983
58     12.611785
59     20.800000
60     24.698000
61     10.483857
62     36.983000
63     11.391000
64     11.955000
65     38.230000
66     10.857797
67     11.204000
68     20.945000
69     12.862000
71     25.256000
72     27.273000
73     12.935000
74     12.087000
75     32.355000
77     39.633000
78     36.761000
79     41.188000
80     37.971000
81     10.278000
82     19.419000
83     14.798445
84     33.009000
85     18.311000
86     17.869000
87     11.993008
88     11.300000
89     27.484000
90     39.306400
91      9.900000
92     27.643000
93      9.882000
94     18.569000
95     22.800000
96     16.906000
97     18.906000
98     31.220000
99     15.232000
100    21.500000
101     9.624000
102    16.690000
103    25.726000
104     8.700000
105    22.700000
106    38.767000
107    24.360000
108    24.733000
111     9.400000
112    19.010000
113    17.705000
114    18.771113
115    27.281000
116    15.727000
117    38.327000
118    23.299000
120    18.704826
121    34.624376
122    33.865294
123     9.900000
124    18.800000
125    20.035432
126    21.570196
127    28.942000
128    10.442000
129    11.452000
130    10.568000
131     8.204000
132    20.423000
134    12.320000
135    35.896000
136    18.709000
137    23.707650
138    18.328064
140    19.431061
141    10.898000
142    42.610000
143    10.018000
144    20.528000
145    24.054897
146    12.117000
147    18.785000
149    39.192000
150    33.587000
151    12.900000
152    40.224000
153    20.376000
154    25.081000
155    13.999705
156    27.555000
157    16.200000
158    53.536000
159    39.826000
160    24.624000
161    11.229000
162    14.910585
163    12.688000
164    25.385000
165    15.060000
166    11.735468
167    12.750821
168    21.961000
169    30.086000
170    20.640000
171    21.107000
172    24.728000
174    31.427000
175    10.872000
176    11.822378
177    13.732000
178     9.847000
179    24.625000
180    17.986000
181    12.075000
182    12.100000
183    41.132000
184    23.882067
185    23.424000
186    31.293000
187    38.435000
188    10.200000
189    30.447000
190    40.305000
191    20.235000
192    11.000000
193    44.105000
194     9.400000
195    38.455059
196    38.454670
197    32.110000
198    18.983000
199    10.609000
200    10.495000
201    11.855000
202    29.895000
203    17.800000
204    27.980000
206    45.692000
207    32.875000
208    14.520000
209    28.079000
210    21.933000
211    27.733000
212    14.830000
213    17.700000
214    18.229000
216    41.534000
217    46.151000
218    11.000000
219    17.137045
220    14.580000
221    14.300958
222    21.680535
223    17.581000
224    21.244000
225    12.000000
226    17.152000
227    30.198000
228    19.983917
229    23.508000
230    36.795000
231    22.038000
232    42.879000"""
Caisi Huang
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据可视化-直方图与密度图的结合图
yw的博客
05-17 552
关系数据的可视化(直方图+密度图)
matplotlib画出直方图和密度图方法
我是小蚂蚁
06-03 1万+
前言 matplotlib处理经常能够用到的折线图、柱状图等，还可以画出直方图和密度图。 plt.hist()方法 matplotlib.pyplot.hist（x，bins = None，range = None，density = None，weights = None，cumulative = False，bottom = None，hist type =‘bar’，align =‘mid’...
Python数据可视化的例子——直方图（hist）和核密度曲线（kde）
热门推荐
Fo*(Bi)的博客
08-24 5万+
直方图一般用来观察数据的分布形态，横坐标代表数值的均匀分段，纵坐标代表每个段内的观测数量（频数）。一般直方图都会与核密度图搭配使用，目的是更加清晰地掌握数据的分布特征，下面将详细介绍该类型图形的绘制。 1．matplotlib模块 matplotlib模块中的hist函数就是用来绘制直方图的。关于该函数的语法及参数含义如下： plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=
数据可视化-Pyecharts绘制折线图
m0_74394367的博客
04-22 802
本实验通过绘制pyecharts库的折线图，讲解使用pandas读取文件、绘制折线图及使用pyecharts的set_global_opts和set_series_opts方法设置上阶梯图、设置线的样式，以及设置半透明颜色填充等，可以让折线图更加丰富和便于读者理解数据。
matplotlib可视化之直方图plt.hist()与密度图
weixin_46707493的博客
08-21 4万+
函数功能：判定数据(或特征)的分布情况 调用方法：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, color=None, label=None, stacked=False) 参数说明： x：指定要绘制直方图的数据；
数据可视化实验-茎叶图
yw的博客
05-17 580
数据可视化实验-茎叶图 根据1960年世界各国的出生率数据，控制台打印输出该年度各国出生率的茎叶图，茎叶图的茎为该年度各国出生率最小值与最大值之间，均匀间隔的整数，步长为2。 from itertools import groupby import pandas as pd # 加载数据 birth = pd.read_csv("birth-rate.csv") # 删除空数据 birth.dropna(subset=['1960'], inplace=True) dirt = {} data = li
上课笔记-机器学习（5）-美国人口普查数据进行收入预测分类
qq_40147358的博客
01-16 6593
实训六 回顾与学习 美国人口普查数据进行收入预测分类（可以参考：https://www.jianshu.com/p/a6d615f272f6） # 读入数据 import pandas as pd df = pd.read_csv("data/adult.data", header=None) df.head() 0 1 2 ...
第五章可视化
Wang_sweet的博客
11-05 1181
1散点图 1.代码 A：未处理异常值 import ggplot as gp import pandas as pd import numpy as np crime=pd.read_csv("crimeRatesByState2005.csv") #去除异常值 #geom_point()折线散点图 #stat_smooth(color)添加趋势线 #ggplot(data, aes(x, y)) ，给参数data里传入数据，x里传入横坐标数据，y里传入纵坐标数据，即可画出一个空白框...
Matplotlib简单画图(五) -- 直方图和密度图
越看越喜欢啊
07-21 2万+
import numpy as np import pandas as pd import matplotlib.pyplot as plt from pandas import Series, DataFrame s = Series(np.random.randn(1000)) # 生成了两个array和一个图形对象，第一个array是在区间数的数量，第二个是区间范围 # hist画直方...
数据可视化-Matplotlib绘制直方图
最新发布
04-22
使用Matplotlib绘制直方图的步骤如下： 1. 导入必要的库：在Python中，我们需要导入numpy（用于生成数据）和matplotlib.pyplot（用于绘制图形）。代码如下： ```python import numpy as np import matplotlib....
Python绘制频率分布直方图的示例
12-31
概率分布表示样本数据的模样，长的好不好看如果有图像展示出来就非常完美了，使用Python绘制频率分布直方图非常简洁，因为用的频次非常高，这里记录下来。还是Python大法好，代码简洁不拖沓~ 如果数据取值的范围跨度...
python：绘制直方图（Histogram）
12-21
在Python中，我们通常使用matplotlib库的`plt.hist()`函数来绘制直方图。以下是对该函数的详细解释： 1. **基本使用**： `plt.hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, ...
Python Matplotlib 教程：附带源代码直方图正态箱型图折现散点图
04-10
除了基本的图表类型，该教程还介绍了如何创建子图、堆叠图、直方图和密度图等。读者可以学习如何在一个图表中绘制多个数据集，以及如何对数据进行分组和聚合以进行更深入的分析。 该教程还包括如何使用 Matplotlib ...
详解用Python为直方图绘制拟合曲线的两种方法
01-20
在python中一般采用matplotlib库的hist来绘制直方图，至于如何给直方图添加拟合曲线（密度函数曲线），一般来说有以下两种方法。 方法一：采用matplotlib中的mlab模块 mlab模块是Python中强大的3D作图工具，立体感...
matplotlib 绘制直方图和拟合正态曲线
weixin_43156127的博客
10-09 1万+
首先，还是看看matplotlib中hist函数的语法 hist( x, bins=None, range=None, normed=False, # 超重要 density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', rwidth=None, # 选用 orientation='vertical', color=None, edgecolor=None, label=No
matplotlib.pyplot类绘制hist直方图, 并在每个条柱上方标注数量
JonasWolfxin
04-02 7193
matplotlib.pyplot类绘制hist直方图, 并在每个条柱上方标注数量. 原数据 下载地址: https://www.kaggle.com/code/damianpanek/sunday-eda/data 下载到本地 代码 import matplotlib.pyplot as plt import numpy as np import pandas as pd movie = pd.read_csv("./IMDB-Movie-Data.csv") # Rating分布 # 1.创建.
python直方图的拟合_详解用Python为直方图绘制拟合曲线的两种方法 怎么用python画数据分布直方图...
weixin_33511821的博客
02-21 2974
如何用python画出直方图的包络线拟合直方图与Python问题，怎么解决用代码解决： import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import interp1d import scipy.stats as st sim = st.gamma(1,loc=0,scale=0.8) # Simul...
python直方图拟合曲线_在直方图python中拟合非标准化高斯
weixin_39747087的博客
12-04 594
我有一个暗图像(原始格式)，并绘制图像的图像和分布 . 正如您所看到的那样，在16处有一个高峰，请忽略它 . 我想通过这个直方图拟合高斯曲线 . 我已经使用这种方法来适应：Un-normalized Gaussian curve on histogram . 然而;我的高斯拟合永远不会接近它应该是什么 . 将图像转换为正确的图形格式或者出现其他问题时，我做错了吗？这是我用来生成此数据的当前代码：i...
基于python代码的数据科学导引学习笔记（一）
a112113114q的博客
04-01 3070
目录1.说明2.数据预处理2.1.数据初步诊断与探索（1）（2） 1.说明 该学习笔记仅供个人学习使用，不代表任何官方指导或意见。 如侵权，请练习删除。 有需要其他资料或有其他问题可私信或者加qq2356081476，这不是我的义务但也欢迎各位朋友与我讨论相关问题，共同进步。 错字，语法，排版等问题请见谅。 2.数据预处理 2.1.数据初步诊断与探索 （1） 用pandas库读取csv文件c...
matplotlib绘制简单密度图与直方图结合 原创
03-16
matplotlib可以通过使用hist2d函数来绘制简单的密度图和直方图结合的图形。该函数可以接受两个数组作为输入，分别表示x轴和y轴的数据。同时，可以通过设置bins参数来控制直方图的柱子数量，通过设置cmap参数来控制颜色映射。 示例代码如下： ```python import numpy as np import matplotlib.pyplot as plt # 生成随机数据 x = np.random.normal(size=100) y = np.random.normal(size=100) # 绘制密度图和直方图结合的图形 plt.hist2d(x, y, bins=30, cmap='Blues') # 添加标题和标签 plt.title('Density and Histogram Plot') plt.xlabel('X') plt.ylabel('Y') # 显示图形 plt.show() ``` 运行上述代码，可以得到一个简单的密度图和直方图结合的图形。可以根据实际需求调整参数，得到更加符合要求的图形。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值