直方图Matplotlib

Question

所以我有一个小问题。我在scipy中已经有一个数据集，它已经是直方图格式，所以我有了bin的中心和每个bin的事件数量。我现在如何绘制直方图。我试着只是做

bins, n=hist() 

，但它不喜欢那个。任何建议？

Answer 1

import matplotlib.pyplot as plt 
import numpy as np 

mu, sigma = 100, 15 
x = mu + sigma * np.random.randn(10000) 
hist, bins = np.histogram(x, bins=50) 
width = 0.7 * (bins[1] - bins[0]) 
center = (bins[:-1] + bins[1:])/2 
plt.bar(center, hist, align='center', width=width) 
plt.show() 

的面向对象的界面也很简单：

fig, ax = plt.subplots() 
ax.bar(center, hist, align='center', width=width) 
fig.savefig("1.png") 

---

如果使用定制（非恒定）箱，你可以通过使用计算出的宽度np.diff，通过宽度以ax.bar并使用ax.set_xticks标记的bin边缘：

import matplotlib.pyplot as plt 
import numpy as np 

mu, sigma = 100, 15 
x = mu + sigma * np.random.randn(10000) 
bins = [0, 40, 60, 75, 90, 110, 125, 140, 160, 200] 
hist, bins = np.histogram(x, bins=bins) 
width = np.diff(bins) 
center = (bins[:-1] + bins[1:])/2 

fig, ax = plt.subplots(figsize=(8,3)) 
ax.bar(center, hist, align='center', width=width) 
ax.set_xticks(bins) 
fig.savefig("/tmp/out.png") 

plt.show() 

Answer 2

如果你不想吧，你可以画出这样的：

import numpy as np 
import matplotlib.pyplot as plt 

mu, sigma = 100, 15 
x = mu + sigma * np.random.randn(10000) 

bins, edges = np.histogram(x, 50, normed=1) 
left,right = edges[:-1],edges[1:] 
X = np.array([left,right]).T.flatten() 
Y = np.array([bins,bins]).T.flatten() 

plt.plot(X,Y) 
plt.show() 

Answer 3

如果你愿意使用pandas：

pandas.DataFrame({'x':hist[1][1:],'y':hist[0]}).plot(x='x',kind='bar') 

Answer 4

我知道t他不回答你的问题，但是当我搜索matplotlib解决方案到直方图时，我总是在这个页面上结束，因为从matplotlib示例图库页面中删除了简单的histogram_demo。

这里是一个解决方案，其不需要numpy进口。我只导入numpy生成要绘制的数据x。它依赖于功能hist，而不是作为answer通过@unutbu功能bar。

import numpy as np 
mu, sigma = 100, 15 
x = mu + sigma * np.random.randn(10000) 

import matplotlib.pyplot as plt 
plt.hist(x, bins=50) 
plt.savefig('hist.png') 

还检查了matplotlib gallery和matplotlib examples。

Answer 5

我认为这可能是有用的人。

与NumPy的直方图功能，我的烦恼（虽然我很欣赏有一个很好的理由），返回每个区间的边缘，而不是仓的价值。然而，这对浮点数是有意义的，它可能位于一个区间内（即中心值不是超有意义的），当处理离散值或整数（0,1,2等）时，这不是所需的输出， 。特别是，从np.histogram返回的bin的长度不等于count/density的长度。

要解决这个问题，我用np.digitize量化的输入，并返回仓的离散数，与计数每个区间的分数一起。您可以轻松编辑以获取整数个计数。

def compute_PMF(data) 
    import numpy as np 
    from collections import Counter 
    _, bins = np.histogram(data, bins='auto', range=(data.min(), data.max()), density=False) 
    h = Counter(np.digitize(data,bins) - 1) 
    weights = np.asarray(list(h.values())) 
    weights = weights/weights.sum() 
    values = np.asarray(list(h.keys())) 
    return weights, values 
#### 

参考文献：

[1] https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

[2] https://docs.scipy.org/doc/numpy/reference/generated/numpy.digitize.html