直方图与柱状图外观表现很相似，用来展现连续型数据分布特征的统计图形(柱状图主要展现离散型数据分布)，官方hist项目地址。

函数：matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype='bar', align='mid', log=False, color=None, label=None, stacked=False, normed=None)

关键参数

x: 数据集，最终的直方图将对数据集进行统计

bins: 统计的区间分布

range: tuple, 显示的区间，range在没有给出bins时生效

density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density

histtype: 可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似

align: 可选{'left', 'mid', 'right'}之一，默认为'mid'，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认

log: bool，默认False,即y坐标轴是否选择指数刻度

stacked: bool，默认为False，是否为堆积状图

最简实现

import matplotlib.pyplot as plt

import numpy as np

x=np.random.randint(0,100,100)#生成【0-100】之间的100个数据,即 数据集

bins=np.arange(0,101,10)#设置连续的边界值，即直方图的分布区间[0,10],[10,20]...

#直方图会进行统计各个区间的数值

plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明

plt.xlabel('scores')

plt.ylabel('count')

plt.xlim(0,100)#设置x轴分布范围

plt.show()

效果图：

hist直方图效果注意bins的范围设置，如果使用np.arange(0,100,10)，则不会统计[90-100]区间的频数，结果如下

修改bins结果官方教程中还涉及对直方图进行曲线拟合，本例由于不符合正态分布，这里将每个柱状图的中心点进行连接，hist()第一个返回值是统计各个区间的频数，第二个返回值是bins，即区间，所以我们有了点坐标，使用plot函数即可，实现过程如下：

import matplotlib.pyplot as plt

import numpy as np

x=np.random.randint(0,100,100)#生成【0-100】之间的100个数据,即 数据集

bins=np.arange(0,101,10)#设置连续的边界值，即直方图的分布区间[0,10],[10,20]...

width=10#柱状图的宽度

#直方图会进行统计各个区间的数值

frequency_each,_,_= plt.hist(x,bins,color='deepskyblue',width=width,alpha=0.7)#alpha设置透明度，0为完全透明

plt.xlabel('scores')

plt.ylabel('count')

plt.xlim(0,100)#设置x轴分布范围

plt.plot(bins[1:]-(width//2),frequency_each,color='palevioletred')#利用返回值来绘制区间中点连线

plt.show()

处理效果：

连接柱状图中心点注意：返回值的bins的数据长度比频数的长度大1，这里推荐使用从1开始直到bins结束，即将第0个元素去掉，保证二者的长度一致，当然还需要减去width的一半，保证在中点。