python hist函数_如何使用Python 进行数据可视化

在进行数据分析的时候，经常需要将数据进行可视化，以方便我们对数据的认识和理解。

0，Matplotlib 简介

Matplotlib 是一个可视化工具包，可以让我们使用Python 来可视化数据。

[Matplotlib](https://matplotlib.org/)

这里汇总了一些官方资源：

• [Matplotlib 安装]

  • (https://matplotlib.org/users/installing.html)

• [Matplotlib 用户手册]

  • (https://matplotlib.org/users/index.html)

• [Matplotlib 函数汇总]

  • (https://matplotlib.org/api/pyplot_summary.html)

• [Matplotlib 模块索引]

  • (https://matplotlib.org/py-modindex.html)

• [Matplotlib 示例库]

  • (https://matplotlib.org/gallery/index.html)

• Matplotlib 示例下载

  • ‍[Python code]

  • (https://matplotlib.org/_downloads/85d9be59fab8a02517f514497a37cf68/gallery_python.zip)

  • [Jupyter notebooks]

  • (https://matplotlib.org/_downloads/2e309644ccd557aada4afb564bdde6ed/gallery_jupyter.zip)

‍

很多更高级的绘图库，也都是基于Matplotlib，比如seaborn，HoloViews，ggplot 等。

[seaborn](https://seaborn.pydata.org/)

[HoloViews](https://holoviews.org/)

[ggplot](http://ggplot.yhathq.com/)

在使用 Matplotlib 时，经常需要用到 pyplot 模块，用下面代码引入：

import matplotlib.pyplot as plt

下文中，都用 plt 来代指 pyplot。

说明： 

这里我们只介绍几种简单的图，更多其它的图，可以查看官方手册。

下面的每个函数，只介绍了最简单的用法，其它更多的参数可以查看手册。

1，散点图

plt.scatter 函数用于绘制散点图。函数原型：

scatter(x, y, s = None, c = None, marker = None)

参数含义：

• x, y：分别表示点的横纵坐标。x, y 可以是单个点坐标，也可以是一组点坐标。

• s：表示点的大小。

• c：表示点的颜色。

• marker：表示点的形状，可选的值见[这里](https://matplotlib.org/api/markers_api.html)，比如 marker 的值为 x, o, s 等。

如下代码，画了三个点：

# 三个点的坐标分别是：#   (2, 5) #   (3，6)#   (3, 5)plt.scatter([2, 3, 3], [5, 6, 5], marker='o')plt.show() # 展示图

画出的散点图如下：

2，折线图

plt.plot 函数用于绘制折线图。函数原型：

plot(x, y)

参数 x，y 分别表示点的横纵坐标，一般是一组点坐标。

比如下面表格代表 5 次数学考试成绩：

次数	1	2	3	4	5
成绩	89	78	92	79	86

将上面表格数据，绘制成折线图，代码如下：

x = [1, 2, 3, 4, 5]y = [89, 78, 92, 79, 86]plt.plot(x, y)plt.show()

画出的折线图如下：

3，直方图

直方图用于描述数据的分布情况。

plt.hist 函数用于绘制直方图。函数原型：

plt.hist(x, bins=None)

参数 x 是一个一维数组，bins 可以理解为矩形的个数，默认是 10。 

假如下面是一次数学考试的成绩，全班共50 名同学：

将所有同学的成绩画成直方图，代码如下：

scores = [    96, 89, 95, 91, 94, 95, 92, 98, 95, 93,    93, 96, 94, 94, 98, 92, 88, 90, 88, 98,    84, 89, 87, 84, 94, 82, 83, 95, 93, 79,    84, 91, 86, 91, 81, 89, 77, 81, 77, 70,    66, 93, 90, 87, 79, 83, 86, 90, 93, 79,    ]plt.hist(scores)plt.show()

画出来的直方图如下，横坐标为成绩区间，纵坐标为人数：

通过该直方图，可以直观的看出来每个成绩区间的人数。

4，条形图

plt.bar 函数用于绘制条形图。函数原型：

plt.bar(x, y, width = 0.8)

参数 x, y 均是一个数组，x 是横坐标，表示数据类别；y 是纵坐标，表示每个类别的频度。参数 width 表示长条的宽度。

比如下表是一位同学的期中考试的各科成绩：

我们将这位同学的成绩单画成条形图，代码如下：

# 每个科目分别用字母表示subjects = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I']scores = [96, 89, 85, 91, 75, 90, 88, 79, 89]plt.bar(subjects, scores)plt.show()

画出的条形图如下：

5，饼图

饼图常用于表示个体占总体的占比情况。

plt.pie 函数用于绘制饼图。函数原型：

plt.pie(x, labels=None)

参数 x 是一个数组，表示一组数据，labels 用于描述每个数据的含义。

比如下表是某个公司某年每个季度的收入：

我们可以用饼图分析出每个季度占全年收入的占比，代码如下：

# 表示每个季度quarters = ['1', '2', '3', '4']incomes = [56, 89, 75, 91]plt.pie(incomes, labels=quarters)plt.show()

画出的饼图如下：

(本节完。)

点击查看往期内容回顾

决策树算法-理论篇-如何计算信息纯度

决策树算法-实战篇-鸢尾花及波士顿房价预测

朴素贝叶斯分类-理论篇-如何通过概率解决分类问题

朴素贝叶斯分类-实战篇-如何进行文本分类

欢迎关注作者公众号，获取更多技术干货。