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。