python hist函数_Python数据可视化：一文读懂直方图和密度图

一图胜千言，使用Python的matplotlib库，可以快速创建高质量的图形。

用matplotlib生成基本图形非常简单，只需要几行代码，但要创建复杂的图表，需要调用更多的命令和反复试验，这要求用户对matplotlib有深入的认识。

我们推出一个新的系列教程：Python数据可视化，针对初级和中级用户，将理论和示例代码相结合，分别使用matplotlib, seaborn, plotly等工具实现可视化。

本文主题是如何用Matplotlib创建直方图和密度图。

import

1. 频数表

直方图(histogram)是探索数值型变量分布的方法，例如单峰还是双峰分布，是否接近钟型分布，左偏还是右偏等。

在创建直方图之前，首先要了解一个概念：频数表。

什么是频数表(frequency table)？

给定一个数值变量，将变量的极差(最大值与最小值的差)均匀地分割为多个等距分段，然后统计落入每个分段的数值个数。

然我们看一个具体的例子。

# 生成数值变量，假设服从标准正态分布

首先我们生成了100个标准正态变量，然后划分为10个等距的分段，然后统计了落入每个分段的数值个数。

例如落入'(-2.8, -2.22]'分段的个数有1个，而落入'(-0.49, 0.09]'分段的个数有18个，结果符合预期。

有更简单的方法实现频数表，调用pd.cut()函数。

pd

2. 直方图

直方图是频数表的可视化表达，x轴是等距，y轴是频数统计，通常用于探索数值变量的分布。

调用matplotlib.pyplot的hist()可以实现直方图。

fig

如果数据集有多个数值变量，可以在同一幅图中对比它们的分布。

当在同一幅图中创建多个直方图时，需要调整一下柱子的样式，才能得到较好的视觉效果。

np

3. 密度图

密度图是与直方图密切相关的概念，它用一条连续的曲线表示变量的分布，可以理解为直方图的”平滑版本“。

统计学经典理论假设样本数据来源于总体，而总体数据会服从某个分布(如正态分布，二项式分布等)。密度图采用”核密度统计量“来估计代表总体的随机变量的概率密度函数。

密度估计的课题比较复杂，这里不做深入。为了实现密度图，需要先创建一个数据框(pd.DataFrame)，然后调用df.plot.density()。

np

如果喜欢我们的文章，记得点赞和收藏哦，我们每天都会为大家带来Python，数据科学和量化交易的精品内容。

【关于我们】

蜂鸟数据：国内领先的金融数据API提供商。

蜂鸟数据团队由业界顶尖的数据工程师，数据科学家和宽客组成，我们正努力构建一个强大的金融数据库，并提供API接口，目标是令金融数据开源化和平民化。

浏览并测试我们接口吧，目前覆盖股票，外汇，商品期货，数字货币和宏观经济领域，包括实时报价(tick)和历史数据(分钟)，提供REST API和Websocket两种接入方式，能够满足金融分析师，量化交易和理财app的需求。