python直方图教程_python如何画直方图
matplotlib.pyplot直方图画起来还是非常方便的,思路还是准备好数据,然后设置参数即可。
直方图(Histogram)又称质量分布图。是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型,纵轴表示分布情况。
直方图是数值数据分布的精确图形表示。 这是一个连续变量(定量变量)的概率分布的估计,并且被卡尔·皮尔逊(Karl Pearson)首先引入。它是一种条形图。 为了构建直方图,第一步是将值的范围分段,即将整个值的范围分成一系列间隔,然后计算每个间隔中有多少值。 这些值通常被指定为连续的,不重叠的变量间隔。 间隔必须相邻,并且通常是(但不是必须的)相等的大小。
直方图是调用的matplotlib.pyplot.hist模块
matplotlib.pyplot.hist的参数:matplotlib.pyplot.hist(x,bins = None,range = None,density = None,weights = None,cumulative = False,bottom = None,
histtype =’bar’,align =’mid’,orientation =’vertical’,rwidth = None,log = False,color = None,label = None,
stacked = False,normed = None,hold = None,data = None,** kwargs )
hist的参数详解
x : (n,)数组或序列(n,)数组输入值,这需要单个数组或不需要具有相同长度的数组序列
bins : 整数或序列或’auto’可选,默认是没有如果一个整数,bins +1,则计算并返回bin边缘,与之一致numpy.histogram()
range : 元组或没有可选的,默认是没有箱子的上下范围。上下异常值将被忽略。如果没有提供,范围是(x.min(),x.max())。如果箱子是一个序列没有影响范围
如果指定箱是一个序列或范围,自动定量是基于指定本范围而不是x的范围。
density :可选布尔类型如果这是真的,返回第一个元素的元组将计数归一化形成一个概率密度,即。,面积(或积分)根据直方图将之和为1。这是通过将整个计算
观测的数量乘以本宽度,而不是除以总数量的观察。如果堆也是真的,直方图之和是标准化为1。
默认是没有赋范和密度。如果设置,那么将使用这个值。如果没有设置,那么参数将被视为错误的
weights:可选择相同的数据或者没有数组的重量、形状相同的x。每个值x只贡献相关重量对箱数(而不是1)。如果赋范或密度是真的,权重归一化,这样的积分密度范围是1。
cumulative:可选布尔类型如果True,则计算直方图,其中每个bin给出该bin中的计数加上较小值的所有bin。最后一个bin给出了数据点的总数。如果赋范或密度
也True然后直方图归一化,使得最后仓等于1。如果累计计算结果为小于0(例如,-1),累积的方向被反转。在这种情况下,如果赋范
和/或密度也是True,则直方图归一化,使得第一仓等于1。
默认是 False
bottom:相同数组,标量或者没有每个仓的底部基线的位置。如果是标量,则每个bin的基线移动相同的量。如果是一个数组,每个bin都是独立移动的,底部的长度必须
与bin的数量相匹配。如果为None,则默认为0。默认是 None
histtype : {‘bar’,’barstacked’,’step’,’stepfilled’},可选要绘制的直方图的类型
‘bar’是传统的条形直方图。如果给出多个数据,则条并排排列。
‘barstacked’是一种条形直方图,其中多个数据堆叠在一起。
‘step’生成一个默认未填充的线图。
‘stepfilled’生成一个默认填充的线图。
默认为’bar’
align : {‘left’,’mid’,’right’},可选控制直方图的绘制方式。
‘left’:条形图位于左边框边缘的中心。
‘mid’:条在bin边缘之间居中。
‘right’:条形图位于右侧边框的中心。
默认为’mid’
orientation : {‘horizontal’,’vertical’},可选如果是’horizontal’,barh将用于条形直方图,底部 kwarg将用于左边缘
log : 布尔值,可选如果True,直方图轴将设置为对数刻度。如果 log是True且x是1D数组,则将过滤掉空箱,并且仅 返回非空。(n, bins, patches).
默认是 False
color :颜色颜色规格或颜色规格序列,每个数据集一个。Default(None)使用标准线颜色序列.默认是 None
实例:import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$mu=100, sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
效果图:
python直方图教程_python如何画直方图相关推荐
- 视频教程-快速入门Python基础教程_Python基础知识大全-Python
快速入门Python基础教程_Python基础知识大全 十余年计算机技术领域从业经验,在中国电信.盛大游戏等多家五百强企业任职技术开发指导顾问,国内IT技术发展奠基人之一. 杨千锋 ¥99.00 立即 ...
- 视频教程-快速入门Python基础教程_Python基础进阶视频-Python
快速入门Python基础教程_Python基础进阶视频 十余年计算机技术领域从业经验,在中国电信.盛大游戏等多家五百强企业任职技术开发指导顾问,国内IT技术发展奠基人之一. 杨千锋 ¥199.00 立 ...
- python 字符图_python 字符画
教你利用Python把图片转字符画!代码哆啦A梦你见过嘛? 图片转字符画的关键是把图片的灰度值与自定义的字符集之间建立映射关系,不同区间的灰度值对应不同的字符,之后将图片每一个像素对应的字符打印出来, ...
- python教程是什么-Python基础教程_Python入门知识
Python基础教程频道为编程初学者提供入门前的所有基础知识,必须要掌握的一些PYTHON基础语法语句,基本的数据类型. 让大家可以更快速.更容易理解的的方式掌握Python编程所需要的基础知识,灵活 ...
- python 3教程_Python 3 教程
全屏 Python 3 教程 Python的3.0版本,常被称为Python 3000,或简称Py3k.相对于Python的早期版本,这是一个较大的升级.为了不带入过多的累赘,Python 3.0在设 ...
- python基础教程是什么-Python基础教程_Python入门知识
Python基础教程频道为编程初学者提供入门前的所有基础知识,必须要掌握的一些PYTHON基础语法语句,基本的数据类型. 让大家可以更快速.更容易理解的的方式掌握Python编程所需要的基础知识,灵活 ...
- python后端教程_Python学习教程(技术干货):关于前后端分离开发入门
原标题:Python学习教程(技术干货):关于前后端分离开发入门 对于程序员来说,其实Tab和空格远远不只是"立场"问题那么简单. 在不同的编辑器里tab的长度可能不一致,所以在一 ...
- python itchat教程_Python学习教程:教你用Python通过微信来控制电脑摄像头
原标题:Python学习教程:教你用Python通过微信来控制电脑摄像头 如果说强大的标准库奠定了Python发展的基石,丰富的第三方库则是python不断发展的保证.今天的Python学习教程就来通 ...
- python ctypes教程_python ctypes是什么
ctypes是python的一个函数库,提供和C语言兼容的数据类型,可以直接调用动态链接库中的导出函数. 为了使用ctypes,必须依次完成以下步骤: ·加载动态链接库 ·将python对象转换成ct ...
最新文章
- 视频目标跟踪算法综述
- 32位与64位应用程序速度分析
- PHP execl导出/展示
- python二叉树最大深度的计算_Python学习笔记24(二叉树遍历、最大深度、最大宽度)...
- MySQL 字符集问题及安全的更新操作
- 师范生计算机期末考试题目,2015年深圳宝安区计算机教师招聘考试试题[师范生发布]无答案...
- java中类模型_java中的数据模型类
- 关于动态规划,你该了解这些!
- shell编程基础(二)
- 免费开源商用级人脸识别库SeetaFace6使用教程(含人脸识别、口罩识别、活体识别、人眼状态判断、性别年龄识别等)
- 通过Log4j生成CSV格式日志时自动插入表头处理方法
- 知识图谱的构建及用Neo4j和grapheco/InteractiveGraph实现知识图谱的可视化
- 计算机专业未来规划作文英文,以“未来的职业”写一篇英语作文
- Linux网络设备驱动程序设计----刘文涛
- 如何解决织梦后台上传一篇文章前端展示两篇完全一样的
- 大家都在讲敏捷开发模型,但是落地又是迭代模型,迭代模型有哪些优势呢?
- UNI-APP安卓本地打包详细教程(保姆级)
- 海豚调度器初次使用 .......
- 数值分析 python_数值分析实验之矩阵特征值(Python代码)
- python 的魔方方法__getattribute__ 和__getattr__方法介绍
热门文章
- 【Elasticsearch】将数据预加载到文件系统缓存中
- 【ElasticSearch】Es 源码之 SearchTransportService 源码解读
- 【clickhouse】clickhouse 表引擎 之 AggregatingMergeTree
- 【Flink】Flink 消费 kafka报错 写入 es 死信队列 FetchSessionHandler DisconnectException
- 【Kafka】Kafka Consumer 管理 Offset 原理
- hdfs集成ldap
- 95-140-132-源码-transform-算子Join
- 95-235-050-源码-task-Flink task之间的数据交换
- 【Yarn】hadoop的yarn资源队列
- Scala入门到精通——第五节 函数与闭包