二、Python开发---41、matplotlib（4）

直方图

　　直方图与柱状图的分格类似，都是由若干个柱组成，但直方图和柱状图的含义却有很大的差异，直方图是用来观察分布状态的，而柱状图是用来看每一个X坐标对应的Y的值的，也就是说，直方图关注的是分布，并不关心具体的某个值，而柱状图关心的是具体的某个值

　　使用hist函数绘制直方图

　　matplot.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, *, data=None, **kwargs)

　　返回元组(frequency, bins, patches)

　　参数：

　　x：数组或（允许长度不等的）数组序列

　　bins：整数值或序列，如果bins为整数值，则bins为柱子个数，根据数据的取值范围和柱子个数bins计算每个柱子的范围值，柱宽=(x.max()-x.min())/bins，如果bins取值为序列，则该序列给出每个柱子的范围值（即边缘），除最后一个柱子外，其他柱子的取值范围均为半开（左闭右开）

　　range：元组（tuple）或None，剔除较大和较小的离群值，给出全局范围，如果为None，则默认为(x.min(), x.max())，如果bins取值为序列，则range无效，python会基于bins的取值画图

　　density：布尔值，如果为true，则返回的元组的第一个参数frequency将为频率而非默认的频数

　　weights：与x形状相同的权重数组，将x中的每个元素乘以对应权重值再计数，如果normed或density取值为True，则会对权重进行归一化处理，这个参数可用于绘制已合并的数据的直方图

　　cumulative：布尔值，如果为True，则计算累计频数，如果normed或density取值为True，则计算累计频率

　　bottom：数组，标量值或None，每个柱子底部相对于y=0的位置，如果是标量值，则每个柱子相对于y=0向上/向下的偏移量相同，如果是数组，则根据数组元素取值移动对应的柱子

　　histtype：{'bar', 'barstacked', 'step', 'stepfilled'}，'bar'是传统的条形直方图，'barstacked'是堆叠的条形直方图，'step'是未填充的条形直方图，只有外边框，'stepfilled'是有填充的直方图，当histtype取值为'step'或'stepfilled'，rwidth设置失效，即不能指定柱子之间的间隔，默认连接在一起

　　align：{'left', 'mid', 'right'}，'left'：柱子的中心位于bins的左边缘，'mid'：柱子位于bins左右边缘之间，'right'：柱子的中心位于bins的右边缘

　　orientation：{'horizontal', 'vertical'}，如果取值为horizontal，则条形图将以y轴为基线，水平排列

　　rwidth：标量值或None，柱子的宽度占bins宽的比例，例：当bins=range(1,8)时，每个柱子默认宽为1，若设置rwidth=0.8，则柱子的宽度将为0.8，柱子之间的距离为0.2

　　log：布尔值，如果取值为True，则坐标轴的刻度为对数刻度，如果log为True且x是一维数组，则计数为0的取值将被剔除，仅返回非空的(frequency, bins, patches）

　　color：具体颜色，数组（元素为颜色）或None

　　label：字符串（序列）或None，有多个数据集时，用label参数做标注区分

　　stacked：布尔值，如果取值为True，则输出的图为多个数据集堆叠累计的结果，如果取值为False且histtype='bar'或'step'，则多个数据集的柱子并排排列

　　normed：布尔值，官方不推荐使用，建议改用density参数

　　返回的参数：

　　frequency（官方文档用n表示）：数组或数组列表，柱子的高，即频数或频率值，数据类型为float

　　bins：每个柱子的左右边缘值（即区间范围）

　　patches：列表或列表的列表，取值为每个柱子包含的数据

练习

　　1、频数分布直方图

　　

import matplotlib.pyplot as plt
#频数分布直方图
data = ([1,1,2,3,3,3,3,3,4,5])
plt.hist(data,8, density=0)
plt.show()

　　2、使用randn函数生成1000个正太分布的随机数，使用hist函数绘制这1000个随机数的分布状态

　　

import matplotlib.pyplot as plt
import numpy as np
#频次直方图，均匀分布
x=np.random.randn(1000)#正太分布
#画正太分布图
plt.hist(x,bins=100) #装箱的操作，将10个柱装到一起及修改柱的宽度
plt.show()

　　3、使用normal函数生成1000个正太分布的随机数，使用hist函数绘制这100个随机数的分布状态

　　　　numpy.random.normal(loc=0.0, scale=1.0, size=None)

　　

　　

import matplotlib.pyplot as plt
import numpy as np
x1=np.random.normal(0,0.8,1000)
x2=np.random.normal(-2,1,1000)
x3=np.random.normal(3,2,1000)
#参数分别是bins：柱宽=（x.mas()-x.min()）/bins，alpha：透明度
kwargs=dict(bins=100,alpha=0.4)
plt.hist(x1,**kwargs)
plt.hist(x2,**kwargs)
plt.hist(x3,**kwargs)
plt.show()

 

　　4、直方图中设置数据标签

　　

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
# 解决中文显示问题
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False
#展现出10000个随机数满足 平均值是100 标准差是15 呈现的一个正态分布曲线
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
plt.hist(x, 100, density=1, facecolor='g', alpha=0.75)
plt.title('直方图')
plt.text(60, 0.025,r'$\mu=100,\sigma=15$')#添加文本
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()