大脑构造图与功能解析_数据分析50图（一） —

本文链接：https://blog.csdn.net/weixin_42469706/article/details/112197713

前言

华罗庚说过

数缺形时少直观,形少数时难入微.

这句话第一次听还是初中数学老师上二次方程课时说的.

最近看到了3blue1brown对线性代数的直观解释感觉豁然开朗,于是我又捡起了儿时对美妙数学的兴趣. 发现一个博客,数据可视化很好的例子,决定花些时间和大家一起解读一下

例程来自:https://www.machinelearningplus.com/plots/matplotlib-histogram-python-examples//

感谢b站UP "菜菜TsaiTsai" 分享这个博客.

在正式开始“50图”的学习前先引出2个前例，目的是提醒自己。学会是从有限的例子中推论出没有见过的问题的答案。这也是2000年前对孔子对学会的理解“温故而知新，可以为师已”

前例1

import numpy as npx = np.random.randint(low=0, high=100, size=100)# Compute frequency and binsfrequency, bins = np.histogram(x, bins=10, range=[0, 100])# Pretty Printfor b, f in zip(bins[1:], frequency):print(round(b, 1), ' '.join(np.repeat('*', f)))

解析

首先在0-100里产生一些随机的整数 histogram 直方图统计函数：

bins 均匀分成的区间数量，10表示分成10个区间
range 统计的范围，这里与原数据的定义域相同，但也可以是不同的。

最后画出来像是这样

应用

事实上，我们生活中更多的用的直方图，或是折现图往往表示一个趋势的记录。比如房价走势

我们直觉上总是更容易理解时间相关的表达。因为我的大脑的生产逻辑是基于过去的经验的。引用一句名言“你用永远成为不了你没见过的人。” 不过科学家们，特别是物理学家们，更常用另一种表达方式就是本例中的计次，他事实上是一种时频域转换，这在许多问题是非常有效，我们继续看下去。

前例2

import matplotlib.pyplot as plt%matplotlib inlineplt.rcParams.update({'figure.figsize':(7,5), 'figure.dpi':100})# Plot Histogram on xx = np.random.normal(size = 1000)plt.hist(x, bins=50)plt.gca().set(, ylabel='Frequency');

解析