04 直方图 histplot

04　直方图 histplot

这类图是什么

直方图，可叠加 KDE、按组分层/堆叠/并排。

看什么：看单一变量的频次分布，multiple 参数决定多组之间的叠加方式。

5 个案例

04-1　日负荷分布：直方图叠加核密度曲线

histplot 的 kde=True 会在直方图上叠加平滑密度线，柱高看频次、曲线看形状，双峰结构比纯直方图更容易判断。

04-2　三类负荷的分布对比：分层叠加

multiple="layer" 让三组半透明叠加，重叠处颜色加深，能看出哪一段是三组共同的高频区。

04-3　电压偏差分布：堆叠显示合格与超标部分

04-4　分时段负荷分布：并排柱避免遮挡

04-5　变压器温升分布：按负载率分箱着色

用 hue 加上 bin 统计，能看出一部分高负载样本已经越过限值线，直方图把"越限多少"量化成柱子高度，而不是只说一句超标。

代码

5 个函数取自 code/第二批_分布图261107.py。关键约束：不调用 sns.set_theme()，否则 font.family 被改成 Arial，中文会变方框；版式由 code/公共配置261107.py 里的 setup_cn_style() 与 save() / save_grid() 统一接管。

# 摘自 code/第二批_分布图261107.py

def hs_01():
    """日负荷分布：直方图叠加核密度曲线。

    histplot 的 kde=True 会在直方图上叠加平滑密度线，柱高看频次、曲线看形状，
    双峰结构比纯直方图更容易判断。
    """
    fig, ax = new_fig(left=0.19, bottom=0.21)
    rng = np.random.default_rng(401)
    d = np.concatenate([rng.normal(430, 55, 700), rng.normal(660, 60, 560)])
    sns.histplot(x=d, bins=32, kde=True, color=C5, edgecolor="0.35",
                 linewidth=0.4, ax=ax, line_kws={"color": C1, "lw": 1.0})
    ax.set_xlabel("有功负荷 " + IT["P"] + " / kW")
    ax.set_ylabel("频次")
    ax.set_xlim(240, 870)
    save(fig, "04_直方图", "04_直方图_日负荷分布")

def hs_02():
    """三类负荷的分布对比：分层叠加。

    multiple="layer" 让三组半透明叠加，重叠处颜色加深，能看出哪一段是三组共同的高频区。
    """
    fig, ax = new_fig(left=0.19, bottom=0.21)
    rng = np.random.default_rng(402)
    rows = []
    for kind, mu, sd in [("工业", 620, 90), ("商业", 480, 70), ("居民", 360, 55)]:
        rows.append(pd.DataFrame({"负荷": rng.normal(mu, sd, 600), "类型": kind}))
    df = pd.concat(rows, ignore_index=True)
    sns.histplot(data=df, x="负荷", hue="类型", bins=28, multiple="layer",
                 palette=PALETTE3, alpha=0.55, edgecolor="0.4", linewidth=0.3,
                 ax=ax)
    ax.set_xlabel("有功负荷 " + IT["P"] + " / kW")
    ax.set_ylabel("频次")
    ax.set_xlim(180, 920)
    legend_in(ax, "upper right")
    save(fig, "04_直方图", "04_直方图_三类负荷对比")

def hs_03():
    """电压偏差分布：堆叠显示合格与超标部分。"""
    fig, ax = new_fig(left=0.19, bottom=0.21)
    rng = np.random.default_rng(403)
    d = rng.normal(0.8, 2.6, 1600)
    df = pd.DataFrame({"偏差": d})
    df["判定"] = np.where(np.abs(df["偏差"]) > 7, "超标", "合格")
    sns.histplot(data=df, x="偏差", hue="判定", bins=34, multiple="stack",
                 palette=[C5, C3], edgecolor="0.4", linewidth=0.3, ax=ax)
    ax.axvline(7, color=C2, lw=0.8, ls="--")
    ax.axvline(-7, color=C2, lw=0.8, ls=":")
    ax.set_xlabel("电压偏差 / %")
    ax.set_ylabel("频次")
    ax.set_xlim(-11, 12)
    legend_in(ax, "upper left")
    save(fig, "04_直方图", "04_直方图_电压偏差合格判定")

def hs_04():
    """分时段负荷分布：并排柱避免遮挡。"""
    fig, ax = new_fig(left=0.19, bottom=0.23)
    rng = np.random.default_rng(404)
    rows = []
    for seg, mu in [("峰段", 680), ("平段", 520), ("谷段", 360)]:
        rows.append(pd.DataFrame({"负荷": rng.normal(mu, 60, 500), "时段": seg}))
    df = pd.concat(rows, ignore_index=True)
    sns.histplot(data=df, x="负荷", hue="时段", bins=24, multiple="dodge",
                 palette=PALETTE3, edgecolor="0.4", linewidth=0.3, ax=ax)
    ax.set_xlabel("有功负荷 " + IT["P"] + " / kW")
    ax.set_ylabel("频次")
    ax.set_xlim(180, 880)
    legend_in(ax, "upper right")
    save(fig, "04_直方图", "04_直方图_分时段负荷")

def hs_05():
    """变压器温升分布：按负载率分箱着色。

    用 hue 加上 bin 统计，能看出一部分高负载样本已经越过限值线，
    直方图把"越限多少"量化成柱子高度，而不是只说一句超标。
    """
    fig, ax = new_fig(left=0.19, bottom=0.21)
    rng = np.random.default_rng(405)
    dT = rng.normal(48, 11, 900)
    df = pd.DataFrame({"温升": dT})
    df["状态"] = np.where(df["温升"] > 65, "超限", "正常")
    sns.histplot(data=df, x="温升", hue="状态", bins=30, multiple="stack",
                 palette=[C5, C2], edgecolor="0.4", linewidth=0.3, ax=ax)
    ax.axvline(65, color=C2, lw=0.9, ls="--")
    ax.set_xlabel("顶层油温升 " + IT["T"] + " / K")
    ax.set_ylabel("频次")
    ax.set_xlim(10, 90)
    legend_in(ax, "upper right")
    save(fig, "04_直方图", "04_直方图_变压器温升超限")

说明

• axes 级图 1181×944 px；figure 级多轴图按内容取 1100~1470 px 宽。
• 图内不放标题，图题由本文件的标题承担。
• 数据为 10 kV 配网、380 V 低压、50 Hz 量级的仿真算例，随机种子固定。