matplotlib可视化之直方图plt.hist()与密度图

• 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；
  • bins：指定直方图条形的个数；
  • range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值；
  • density：是否将直方图的频数转换成频率；
  • weights：该参数可为每一个数据点设置权重；
  • cumulative：是否需要计算累计频数或频率；
  • bottom：可以为直方图的每个条形添加基准线，默认为0；
  • histtype：指定直方图的类型，默认为bar，除此还有’barstacked’, ‘step’, ‘stepfilled’；
  • align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；
  • orientation：设置直方图的摆放方向，默认为垂直方向；
  • rwidth：设置直方图条形宽度的百分比；
  • log：是否需要对绘图数据进行log变换；
  • color：设置直方图的填充色；
  • label：设置直方图的标签，可通过legend展示其图例；
  • stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；

一、绘制简单直方图：默认为频数图，即纵轴表示频数

 可通过参数density = True绘制频率图：

二、多组数据直方图：

data = np.random.randn(1000,2)

plt.hist(x = data,            # 绘图数据
        bins = 20,            # 指定直方图的条形数为20个
        edgecolor = 'w',      # 指定直方图的边框色
        color = ['c','r'],    # 指定直方图的填充色
        label = ['第一组','第二组'],     # 为直方图呈现图例
        density = False,      # 是否将纵轴设置为密度，即频率
        alpha = 0.6,          # 透明度
        rwidth = 1,           # 直方图宽度百分比：0-1
        stacked = False)      # 当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放

ax = plt.gca()                # 获取当前子图
ax.spines['right'].set_color('none')  # 右边框设置无色
ax.spines['top'].set_color('none')    # 上边框设置无色
# 显示图例
plt.legend()
# 显示图形
plt.show()

 当参数stacked = True时：

三、绘制累计频率直方图：通过参数cumulative = True绘制

data = np.random.randn(1000)
plt.hist(data, # 绘图数据
        bins = 20, # 指定直方图的组距
        density = True, # 设置为频率直方图
        cumulative = True, # 积累直方图
        color = 'steelblue', # 指定填充色
        edgecolor = 'w', # 指定直方图的边界色
        label = '直方图')# 为直方图呈现标签

# 设置坐标轴标签和标题
plt.title('累计频率直方图')
plt.xlabel('x轴')
plt.ylabel('累计频率')

# 显示图例
plt.legend(loc = 'best')
# 显示图形
plt.show()

 四、密度图（频率图）：密度图经常跟直方图一起使用，而在matplotlib中没有单独绘制密度图的函数，笔者目前知道两种绘制密度图的方法：

1）通过pandas(数据分析与统计模块)，将数据转换成series或dataframe，然后绘图:

import pandas as pd
x = np.random.randn(1000)
data = pd.Series(x)  # 将数据由数组转换成series形式
plt.hist(data,density = True,edgecolor ='w',label = '直方图')
data.plot(kind = 'kde',label = '密度图') 

# 显示图例
plt.legend()
# 显示图形
plt.show()

 2)通过seaborn（matplotlib的高级接口模块）的kdeplot函数绘制密度图:

import seaborn as sns
x = np.random.randn(1000)

plt.hist(data,density = True,edgecolor ='w',label = '直方图')
sns.kdeplot(x,label = '密度图')

# 显示图例
plt.legend()
# 显示图形
plt.show()