在上篇文章中介绍了matplotlib绘制直方图的前五个参数,实际上直方图一共有十几个参数,剩下的参数利用这篇文章解释清楚,让大家能够将如何绘制直方图理解的透透的。
这个参数的含义也很直观,底部的意思,指的是条形的底从哪里开始。这个参数接收标量和序列,或者None,默认为None,如果是标量,则所有条形的底都从同一个数值处开始,如果为序列,则可以指定每个条形的底不一致。
fig = plt.figure(figsize=(16,4)) pic1 = fig.add_subplot(131) plt.hist(data,bins = 10) plt.title("bottom默认None") pic2 = fig.add_subplot(132) plt.hist(data,bins = 10, bottom=10) # bottom=10,表示所有条形的底部从10开始,默认从0开始 plt.title("bottom=10") pic3 = fig.add_subplot(133) plt.hist(data,bins = 10, bottom=np.array([21, 20, 13, 17, 22, 32, 23, 15, 22, 15])) # bottom为序列,序列长度于条形的数量一致,表示每个条的底部从哪里开始 plt.title("bottom取值为序列");
上图是当bottom参数不同取值时绘制出来不同的直方图,第一幅图和第二幅图看起来长的一样,但是仔细观察下就能发现两幅图y轴的起始点时不一样的,第一幅图的起点时0.第二幅图的起点是10,因为bottom参数设置的为10;而第三幅图bottom的参数设置的序列,序列的长度和直方图的组数一致,即每个条形的起始点都不同,具体设置哪种比较好,还是要看具体的业务需求哦。
histtype参数控制的时直方图中条形的展现方式,它接收的参数是固定的字符串,其中常见的是以下两种形式:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10, histtype = "bar") plt.title(' histtype = "bar"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10, histtype = "step") # histtype默认参数为”bar“,即条形,可以进行指定 plt.title(' histtype = "step"');
如果需要将折线图和直方图绘制到一副图中,可以考虑对条形的形式进行设置。
align参数控制的是条形的位置,能够接收的参数也是指定的字符串,通常大家都用默认值"mid",即中间,这样直方图中的条形会居于前后临界点的中间位置,是最常见的一种:
fig = plt.figure(figsize=(16,4)) pic1 = fig.add_subplot(131) plt.hist(data,bins = 10, align = "left") plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30) plt.title("align ='left'") pic2 = fig.add_subplot(132) plt.hist(data,bins = 10, align = "right") plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30) plt.title("align ='right'") pic3 = fig.add_subplot(133) plt.hist(data,bins = 10, align = "mid") plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30) plt.title("align ='mid'");
由于原数据和分箱规则没有变化,所以三个直方图很相近,区别在于x轴上,这里为了能直观的看出区别,特意将每组的临界值添加到了x轴,仔细查看能够看出只有最后一个图才是我们常见的直方图,前两个条形的位置都有偏移。
对条形图比较熟悉的朋友可能对这个参数并不陌生,它是控制条形方向的参数,接收的是特定的字符,即条形的方向是垂直的还是水平的,一般默认绘制的都是垂直方向的,如果需要横向的直方图,直接设置这个参数就好。它接收的参数是指定的字符串,表明条形方向:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) #默认条形方向为垂直方向 plt.title('orientation默认"vertical"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,orientation = 'horizontal') # orientation = 'horizontal'表示条形为水平方向 plt.title('orientation = "horizontal"');
参数中可选的两个字符即是垂直还是水平。
从字面上看,这个参数是和宽度有关的,事实也的确是这样。这个参数可以设置条形的宽度,接收数值,但是它设置的宽度是相对于默认宽度而言的,重新设置的宽度是原宽度的几分之几,我们具体看一下代码:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) #rwidth控制条形的相对宽度,不进行指定,自动计算 plt.title('rwidth默认"None"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,rwidth=0.8) # 指定条形的相对宽度 plt.title('rwidth=0.8');
如果不进行设置,直方图的各个条形之间是没有空隙的,当我将rwidth设置成0.8之后,条形的宽度就只有原宽度的80%,条形之间也会出现缝隙。
log参数控制是否将刻度设置成对数刻度,接收布尔值,默认为False,进行普通刻度,一旦设置为True:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) plt.title('log默认"False"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,log=True) # 直方图轴将设置为对数刻度。 plt.title('log=True"');
设置成对数刻度后,虽然分组情况没有变,但是分布状况还是发生了变化,如果设置了该参数,最好在标题或其他部分标注提示一下。
这个参数可以说是相当熟悉,很多函数中都有,表示对图形的颜色进行设置,没错的确是设置颜色,想起我们还有一个最开始的参数没有讲解,就在这里和color一起讲解了。
目前我们只有一组数据,现在呢假设有了两个学校学生的身高数据,喏,这就是第二个学校的学生身高了:
data1 = np.random.randint(150,180,200) data1
输出结果:
array([164, 171, 172, 161, 171, 175, 161, 170, 159, 163, 154, 162, 156, 158, 160, 156, 163, 167, 170, 168, 163, 171, 174, 161, 156, 167, 165, 169, 162, 176, 167, 157, 157, 169, 160, 177, 162, 154, 163, 168, 155, 177, 151, 155, 179, 166, 170, 168, 158, 167, 156, 170, 163, 157, 172, 169, 156, 171, 155, 160, 177, 164, 157, 160, 173, 175, 164, 168, 171, 158, 163, 162, 167, 167, 169, 155, 175, 171, 162, 174, 165, 179, 167, 179, 168, 157, 151, 151, 171, 170, 168, 165, 167, 179, 153, 177, 165, 155, 153, 157, 162, 167, 173, 161, 171, 159, 165, 152, 160, 172, 154, 157, 176, 152, 171, 161, 169, 154, 171, 150, 158, 164, 150, 170, 153, 162, 150, 174, 150, 176, 167, 171, 164, 170, 171, 163, 162, 164, 174, 157, 179, 166, 150, 170, 166, 161, 155, 175, 163, 156, 152, 159, 168, 158, 176, 159, 158, 169, 155, 166, 151, 163, 177, 154, 170, 152, 167, 172, 170, 163, 161, 177, 164, 160, 157, 167, 163, 177, 169, 162, 166, 158, 156, 168, 169, 168, 159, 159, 154, 169, 168, 169, 156, 165, 173, 175, 169, 156, 158, 154])
到这里是不是有点明白了,直方图不止可以对一组数据进行绘图,多组数据也是可以的,参数x可以接收多组数据,如果是多组数据需要将多组数据打包到一起作为一个整体传给参数x:
fig = plt.figure(figsize=(16,4)) pic1 = fig.add_subplot(131) plt.hist(data,bins = 10) plt.title("color默认None") pic2 = fig.add_subplot(132) plt.hist(data,bins = 10, color="r") # 设置颜色为红色 plt.title("color="r"") pic3 = fig.add_subplot(133) plt.hist([data,data1],bins = 10, color=["c","orange"]) # color取值为序列,每个数据集对应一种颜色,color序列的长度与数据集个数一致 plt.title("color取值为序列");
能够看到,如果只有一组数据,color参数也就只接收一个颜色指定,如果是多组数据,可以对每个数据集的颜色进行指定,具体需要注意的点已经在代码中备注了哦。
label参数也不是陌生的参数,是对标签的设定,接收的是字符串,并没有什么特殊,但是需要注意的是如果设置了这个参数,记得调用plt.lenged()显示图例,如果不调用即使设置了标签也不能作为图例显示在图形中。而显示图例除了直接在直方图函数中设置label参数外,还可以在plt.lenged()中设置,具体的区别还是看代码吧:
fig = plt.figure(figsize=(11,4)) pic1 = fig.add_subplot(121) plt.hist([data,data1],bins = 10, color=["c","orange"],label=["data","data1"]) plt.legend() plt.title('hist函数中设置label参数') pic2 = fig.add_subplot(122) plt.hist([data,data1],bins = 10, color=["c","orange"]) plt.legend(["data","data1"]) plt.title('legend函数中设置label参数');
效果是一样的。
这个参数的字面意思也很直观,表示是否要堆叠,接收布尔值。需要注意的是如果绘图只用了一个数据集,那么这个参数无论设置成什么都没有影响,如果要堆叠至少需要两个数据集才能显示出区别:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist([data,data1],stacked=False) #默认多组数据并列排列 plt.title('stacked默认"False"') pic2 = fig.add_subplot(122) plt.hist([data,data1],stacked=True) #多组数据彼此堆叠 plt.title('stacked=True"');
区别是不是很明显了,堆叠的意思也容易理解了对不对?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29