Python Matplotlib 直方图

Python Matplotlib 直方图与 pyplot 条形图相似。然而，数据将被等量分布到各个箱中。每个箱代表数据区间，直方图将数值数据的频率与这些箱进行比较。

在 Python 中，您可以使用 Matplotlib 库，借助 pyplot 的 hist 函数来绘制直方图。绘制直方图的 hist 语法是

matplotlib.pyplot.pie(x, bins)

在上面的 pyplot 直方图语法中，x 代表您想在 Y 轴上使用的数值数据，而 bins 将用于 X 轴。

简单的 Matplotlib 直方图示例

在这个例子中，我们生成了一个随机数组并将其赋值给 x。接着，我们使用 pyplot 的 hist 函数绘制了一个直方图。请注意，我们没有使用 bins 参数。

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randn(1000)
print(x)

plt.hist(x)

plt.show()

由于我们使用的是随机数组，所以您看到的图片或截图可能与此不同。

绘制的第一步是使用值的下限和上限创建等宽的箱。然而，在上面的Python示例中，我们没有使用这个参数，因此 hist 函数将自动创建并使用默认的箱。

在这里，我们通过将 20 赋给它，明确地使用了这个参数。这意味着下面的代码将绘制随机数的直方图，数据将被等量分布到 20 个箱中。

x = np.random.randn(1000)
print(x)

plt.hist(x, bins = 20)

plt.show()

这是另一个带有箱大小为 50 的随机数的 pyplot 直方图示例。

x = np.random.normal(0, 1, 1000)
print(x)

plt.hist(x, bins = 50)

plt.show()

使用 CSV 文件绘制 Python Matplotlib 直方图

在这个例子中，我们使用 CSV 文件来绘制直方图。如您从下面的代码中看到的，我们使用订单数量作为 Y 轴的值。

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

data = df['Quantity']
bins=np.arange(min(data), max(data) + 1, 1)

print(df['Quantity'].count())
plt.hist(df['Quantity'], bins)

plt.show()

pyplot 直方图标题

此示例展示了如何添加标题、X 轴和 Y 轴标签。在此示例中，我们还格式化了 X 和 Y 标签、X 和 Y 刻度的字体大小和颜色。如果您注意到下面的代码，我们正在使用 Segment 等于 Consumer 的数据。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

x = df['Segment'] == 'Consumer'
df.where(x, inplace = True)
print(df)

data = df['Quantity']
bins=np.arange(min(data), max(data) + 1, 1)

print(df['Quantity'].count())
plt.hist(df['Quantity'], bins)

plt.title('Example')
plt.xlabel('Bins', fontsize = 15, color = 'b')
plt.ylabel('Order Quatity', fontsize = 15, color = 'b')
plt.xticks(fontsize = 12)
plt.yticks(fontsize = 12)

plt.show()

多个 Python Matplotlib pyplot 直方图

在此示例中，我们尝试绘制多个直方图。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

dat = df['Quantity']
bins = np.arange(min(dat), max(dat) + 1, 1)

x = df.loc[df['Segment'] == 'Consumer']
y = df.loc[df['Segment'] == 'Corporate']
z = df.loc[df['Segment'] == 'Home Office']

plt.hist(x['Quantity'], bins)
plt.hist(y['Quantity'], bins)
plt.hist(z['Quantity'], bins)

plt.show()

控制 pyplot hist 箱体大小

这是我们上面展示过的同一个 pyplot 直方图示例。然而，这次我们将箱的范围更改为静态值 5。这意味着数据的总数量被分配到五个箱中。

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

data = df['Quantity']
bn = 5

x = df.loc[df.Segment == 'Consumer', 'Quantity']
y = df.loc[df.Segment == 'Corporate', 'Quantity']
z = df.loc[df.Segment == 'Home Office', 'Quantity']

plt.hist(x,bn)
plt.hist(y, bn)
plt.hist(z, bn)

plt.show()

正如您所注意到的，两者之间存在差异。这是由于它们的箱体发生了变化。

Python Matplotlib pyplot 直方图图例

在使用多个值时，识别哪个属于哪个类别是必要的。否则，用户会感到困惑。为了解决这些问题，您必须使用 pyplot 的 legend 函数启用图例。然后，使用 hist 函数的 labels 参数为每个直方图添加标签。

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

dat = df['Quantity']
bs = np.arange(min(dat), max(dat) + 1, 1)

x = df.loc[df['Segment'] == 'Consumer']
y = df.loc[df['Segment'] == 'Corporate']
z = df.loc[df['Segment'] == 'Home Office']

plt.hist(x['Quantity'], bs, label = 'Consumer')
plt.hist(y['Quantity'], bs, label = 'Corporate')
plt.hist(z['Quantity'], bs, label = 'Home Office')

plt.legend()
plt.show()

格式化直方图颜色

无论是单个还是多个直方图，系统都会自动为其分配默认颜色。但是，您可以使用 pyplot hist 函数的 color 参数来更改直方图的颜色。在此示例中，我们将第一个直方图设置为栗色，第二个设置为蓝色，第三个设置为绿色。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

da = df['Quantity']
bs = np.arange(min(da), max(da) + 1, 1)

x = df.loc[df['Segment'] == 'Consumer']
y = df.loc[df['Segment'] == 'Corporate']
z = df.loc[df['Segment'] == 'Home Office']

plt.hist(x['Quantity'], bs, label = 'Consumer', color = 'maroon')
plt.hist(y['Quantity'], bs, label = 'Corporate', color = 'blue')
plt.hist(z['Quantity'], bs, label = 'Home Office', color = 'green')

plt.legend()
plt.show()

同样，您可以使用 alpha 和 edgecolor 参数更改箱体边缘的颜色和不透明度。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')
da = df['Quantity']
bins=np.arange(min(da), max(da) + 1, 1)

plt.hist(df['Quantity'], bins, color = 'red', alpha = 0.8, edgecolor = 'g')

plt.title('Example')
plt.xlabel('Bins', fontsize = 15, color = 'b')
plt.ylabel('Order Quatity', fontsize = 15, color = 'b')
plt.xticks(fontsize = 12)
plt.yticks(fontsize = 12)
plt.show()

Python Matplotlib 水平直方图

pyplot 的 hist 函数有一个 orientation 参数，它有两个选项：horizontal（水平）和 vertical（垂直，默认）。如果您将此 orientation 参数设置为 horizontal，那么直方图将水平绘制。

import pandas as pd
from matplotlib import pyplot as plt

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

data = df['Quantity']
bins=np.arange(min(data), max(data) + 1, 1)

plt.hist(df['Quantity'], bins, color = 'red',
         alpha = 0.8, orientation = 'horizontal')

plt.title('Horizontal Example')
plt.show()

histtype

Python Matplotlib pyplot 直方图有一个 histtype 参数，它有助于将类型从一种更改为另一种。有四种类型的直方图可用，它们是：

• bar: 这是传统的条形图类型。如果您将多个数据与 histtype 设置为 bar 一起使用，那么这些值将并排排列。
• barstacked: 当您使用多个数据时，这些值会堆叠在一起。
• step: 没有填充条形的直方图。有点像折线图或瀑布图。
• stepfilled: 与上面相同，但空白区域填充了默认颜色。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

data = df['Quantity']
bins=np.arange(min(data), max(data) + 1, 1)

fix, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize = (8, 4))

x = df.loc[df['Segment'] == 'Consumer']
y = df.loc[df['Segment'] == 'Corporate']
z = df.loc[df['Segment'] == 'Home Office']

ax1.hist(x['Quantity'], bins, histtype = 'bar', color = 'red', alpha = 0.8, edgecolor = 'g')
ax2.hist(y['Quantity'], bins, color = 'blue', histtype = 'step')
ax3.hist(z['Quantity'], bins, color = 'green',histtype = 'stepfilled')

plt.show()

log 参数值接受布尔值，其默认值为 False。如果将其设置为 True，则轴将设置为对数刻度。除了 log，还有一个名为 cumulative 的参数，它有助于显示累积直方图。

df = pd.read_excel('/Users/suresh/Downloads/Global_Superstore.xls')

data = df['Quantity']
bins=np.arange(min(data), max(data) + 1, 1)

plt.hist(df['Quantity'], bins, color = 'red', alpha = 0.8,
         cumulative = True, log = True)

plt.title('Horizontal Example')

plt.show()

Seaborn 直方图

我们有一个 Seaborn 模块，它有助于绘制带有密度曲线的直方图。它非常简单直观。

import matplotlib.pyplot as plt
import seaborn as sns

x = np.random.randn(1000)
print(x)

sns.distplot(x)

plt.show()

Python Matplotlib pyplot 2D 直方图

pyplot 有一个 hist2d 函数来绘制二维或 2D 直方图。要绘制 Matplotlib 2D 直方图，您需要两个数值数组或类似数组的值。

x = np.random.randn(100)
print(x)

y = 2 * np.random.randn(100)
print(y)

plt.hist2d(x, y)

plt.show()

在此，我们使用了两个子图并改变了它们的大小。

x = np.random.randn(100)
print(x)

y = 2 * np.random.randn(100)
print(y)

fig, (ax1, ax2) = plt.subplots(1, 2)

ax1.hist2d(x, y, bins = 5)

ax2.hist2d(x, y, bins = 10)
plt.show()

这是另一个二维直方图。

x = np.random.randn(10000)
print(x)

y = 2 * np.random.randn(10000)
print(y)

fig, (ax1, ax2) = plt.subplots(1, 2)

ax1.hist2d(x, y, bins = (10, 10))

ax2.hist2d(x, y, bins = (200, 200))
plt.show()

让我使用 cmap 参数改变直方图的颜色。

x = np.random.randn(10000)
print(x)

y = 2 * np.random.randn(10000)
print(y)

fig, (ax1, ax2) = plt.subplots(1, 2)

ax1.hist2d(x, y, bins = (10, 10), cmap = 'cubehelix')

ax2.hist2d(x, y, bins = (200, 200), cmap = 'rainbow')
plt.show()

图像的直方图

除了上述指定的功能，您还可以使用直方图分析图像中的颜色。在本节中，我们展示了图像中的 RGB 颜色。

import cv2
from matplotlib import pyplot as plt

img = cv2.imread('/Users/suresh/Downloads/IMG_2065.JPG', 0)

plt.hist(img.ravel(), bins = 256, range = [0, 256])
plt.show()