matplotlib--hist直方图

matplotlib.pyplot.hist(x, bins=None, density=None, alpha,
                       histtype='bar', color=None)

hist的常用参数介绍

• x：输入数据，直方图对数据x分区间统计
• bins：统计的区间分布，形如 [0，2，4，6]，则统计x在区间[0，2]、[2，4]、[4，6]的频数
• density：bool型，默认为false，即显示频数，true显示频率，注意频率的计算方法是
  $$\frac{该区间频数}{样本总数\cdot 区间宽度}$$
• histtype: 直方图形状，可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar
• alpha：透明度，0表示完全透明

Example

import numpy as np
import matplotlib.pyplot as plt
lim = 4
width = 0.4
x = np.random.normal(0, 1, 10000)  # 生成均值为0,方差为1的正太分布点10000个
bins = np.arange(-lim, lim, width)  # 设置直方图的分布区间 start->end step
# 直方图会进行统计各个区间的数值
frequency_each, _1, _2 = plt.hist(x,
                                  bins,
                                  color='fuchsia',
                                  alpha=1,
                                  density=True)  # alpha设置透明度，0为完全透明
plt.xlim(-lim, lim)  # 设置x轴分布范围
plt.show()

函数会返回统计频率或频数frequency_each，可以用来拟合密度曲线，加入如下语句。注意bins的长度比frequency_each多1，因为bins是边界点，所以可以从bins的第2个元素开始，计算frequencyeach中每个元素对应的中心点，将其作为横坐标，frequency_each作为纵坐标绘制密度曲线。

lim = 4
band_h = 0.4  # 间隔宽度
x = np.random.normal(0, 1, 10000)  # 生成均值为0,方差为1的正太分布点10000个
bins = np.arange(-lim, lim, band_h)  # 设置直方图的分布区间 start->end step
# 直方图会进行统计各个区间的数值
cnts = plt.hist(x,
                bins,
                color='fuchsia',
                alpha=1,
                density=True)  # alpha设置透明度，0为完全透明
plt.xlim(-lim, lim)  # 设置x轴分布范围
plt.plot(cnts[1][1:] - band_h / 2, cnts[0])
plt.show()

也可以直接返回统计频率

lim = 4
band_h = 0.4
x = np.random.normal(0, 1, 10000)  # 生成均值为0,方差为1的正太分布点10000个
bins = np.arange(-lim, lim, band_h)  # 设置直方图的分布区间 start->end step
# 直方图会进行统计各个区间的数值
cnts = plt.hist(x,
                bins,
                color='fuchsia',
                alpha=1)  # alpha设置透明度，0为完全透明
plt.xlim(-lim, lim)  # 设置x轴分布范围
plt.plot(cnts[1][1:] - band_h / 2, cnts[0])
plt.show()