matplotlib正态分布图,python中matplotlib.pyplot
柱状图
直方图(英文:Histogram)是数据分布的图形表示,是一种二维统计图。它的两个坐标是统计样本和样本对应的一个属性的度量,一般用条形表示。因为直方图的长度和宽度适合表达数量的变化,所以更容易解释差异较小的值。
嘘
函数定义:
创建一个散点图,在向量X和y指定的位置包含一个圆。这种类型的图表也称为气泡图。
Plotlib.pyplot.hist (x,传统航空s=none,range=none,density=false,weights=none,cumulative=false,bottom=none,histtype= bar ,align= mid ,orientation=vertical ,rwidth=None,log=False,color=None,label=None,stacked=False,\*,data=None,\ * \ * kwargs)[来源]
通用参数:
x:
数据集,最终的直方图会对数据集进行统计。
传统航空:
统计区间分布划分,指定传统航空的数量(箱);
范围:
根据航程,在传统航空s未给定的情况下,航程生效。
密度:
根据概率密度,默认为假。
历史类型:
您可以选择{ 条形图,堆积条形图,步进,步进填充 }中的一个,默认为条形图。建议使用默认配置。“阶梯”使用阶梯形状,“阶梯填充”填充阶梯形状的内部,效果类似于“条形”。
对齐:
您可以选择{left , mid 和 right}中的一个,默认为 mid ,它控制直方图的水平分布。会有一些空白区域,建议使用默认。
日志:
默认值为False。Y坐标轴是否选择索引刻度,当数据分布范围较大时,可以通过对数索引刻度缩小显示范围。
堆叠:
无论是否是堆积图,默认值都是False。
示例:
将matplotlib.pyplot作为plt导入
将numpy作为np导入
导入matplotlib
字体:设置中文
Unicode_minus:显示负数
matplotlib . RC params[ font . family ]=[ Heiti TC ]
matplotlib . RC params[ axes . unicode _ MINUS ]=false #正常显示负号。
随机数生成,自动生成正态分布数据集。
数据=np.random.randn(10000)
Facecolor:条带的颜色。
Edgecolor:矩形边框的颜色。
阿尔法:透明度
Plt.hist(数据,传统航空s=40,密度=假,面部颜色= tab:蓝色,边缘颜色= tab:橙色,alpha=0.7)
Xlabel:水平轴标签
Yabel:垂直轴标签
标题:图标题
Plt.xlabel (interval )
Plt.ylabel(频率(频率))
Plt.title(频率(频率)分布图)
plt.show()
扩展应用:
添加不同的条带颜色映射。
使用hist函数的三个返回值,每个不同的间隔用不同的颜色显示。这样就可以直观的看出分布的差异。
n:数组或数组列表,表示每个小节间隔的个数或百分比;
传统航空S: array和bar的范围与传统航空S参数的含义相同;
补丁:列表,每个条形图形对象;
将matplotlib.pyplot作为plt导入
将numpy作为np导入
导入matplotlib
字体:设置中文
Unicode_minus:显示负数
matplotlib . RC params[ font . family ]=[ Heiti TC ]
matplotlib . RC params[ axes . unicode _ MINUS ]=false #正常显示负号。
随机数生成,自动生成正态分布数据集。
数据=np.random.randn(10000)
n:数组或数组列表,指示每个条形间隔的数量或百分比。
传统航空S: array和bar的范围与传统航空S参数的含义相同。
补丁:列表或列表的列表图形对象
n,传统航空s,patches=plt.hist(数据,传统航空s=40,)
percent=n/n.max()
#按百分比调整数据,以便可以轻松映射到色彩映射表。
norm=颜色。Normalize(percent.min(),percent.max())
Patches是每个条对应的对象,每个条的颜色循环设置。
Set_facecolor()用于设置条形的颜色。
对于此frac,zip中的此修补程序(百分比,修补程序):
color=PLT . cm . viridis(norm(this frac))
thispatch.set_facecolor(颜色)
Xlabel:水平轴标签
Yabel:垂直轴标签
标题:图标题
Plt.xlabel (interval )
Plt.ylabel(频率(频率))
Plt.title(频率(频率)分布图)
plt.show()
显示多个数据的直方图
可以在一个图形中显示多个数据的直方图,方便比较不同的数据。
区分关键坐标系1和坐标系4的区别。
将numpy作为np导入
将matplotlib.pyplot作为plt导入
随机种子(64)
N_传统航空s=20
生成一个纬度为(6000,3)的随机数据
x=np.random.randn(6000,3)
生成具有两行和两列坐标系的画布
fig,axes=PLT . subplot(nrows=2,ncols=2,figsize=(16,9))
第一个坐标系以条形显示。
为了和第四坐标系对比效果,三列随机数分开显示。
colors=[tab:蓝色, tab:橙色, tab:绿色]
阿尔法=[1,0.6,0.3]
对于np.arange(x.shape[1])中的索引:
坐标轴[0][0]。hist(x[:index],n_传统航空s,density=true,histtype= bar ,color=colors [index],label=colors [index],alpha=alpha [index])
#轴数[0][0]。hist(x,n_ traditional aviation s,density=true,histtype= bar ,color=colors,label=colors)
坐标轴[0][0]。图例(prop={size: 10})
坐标轴[0][0]。set_title(条形图历史)
第二个坐标系由条形显示,设置堆叠属性stacked。
坐标轴[0][1]。hist(x,n_传统航空s,density=true,histtype= bar ,stacked=true)
坐标轴[0][1]。set_title(堆积条形图历史)
第三个坐标系按步长显示,设置堆叠属性stacked。
坐标轴[1][0]。hist(x,n_ traditional aviation s,hist type= step ,stacked=true,fill=false)
坐标轴[1][0]。set_title(堆叠步骤历史)
第四个坐标系一次显示三列数据。
坐标轴[1][1]。hist(x,n_传统航空s,density=True,histtype=bar )
坐标轴[1][1]。set_title(bat hist )
图.紧密布局()
plt.show()
二元直方图
对于二维数组,除了一维频率直方图外,还可以根据二维区间绘制二维频率直方图。
重要提示:这里使用另一种方式来绘制多个子图,GridSpec可以更灵活地绘制多个子图。
将matplotlib.pyplot作为plt导入
将numpy作为np导入
从matplotlib导入颜色
从matplotlib.ticker导入PercentFormatter
将matplotlib.gridspec作为gridspec导入
随机种子(64)
n点=800
N_传统航空s=40
生成x,y随机数据
x=np.random.randn(N_points)
y=2 * x NP . random . randn(N _ points)5
fig=plt.figure(figsize=(10,8))
使用# gridspec可以使图像跨越多个坐标。
G=gridspec。GridSpec(2,2)
#显示第一个坐标系,其位置在第一行第一列(G[0,0])
axes=fig.add_subplot(G[0,0])
Axes.hist(x,传统航空s=n_传统航空s)
#显示第二个坐标系,其位置在第一行第二列(G[0,1])
axes=fig.add_subplot(G[0,1])
Axes.hist(y,传统航空s=n_传统航空s)
#显示第三个坐标系,其位置是第二行(G[1,])
axes=fig.add_subplot(G[1,])
Axes.hist2d(x,y,传统航空s=n_传统航空s)
plt.show()
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。