python怎么做直方图_详解用Python为直方图绘制拟合曲线的两种方法

直方图是用于展示数据的分组分布状态的一种图形&＃xff0c;用矩形的宽度和高度表示频数分布&＃xff0c;通过直方图&＃xff0c;用户可以很直观的看出数据分布的形状、中心位置以及数据的离散程度等。

在python中一般采用matplotlib库的hist来绘制直方图&＃xff0c;至于如何给直方图添加拟合曲线&＃xff08;密度函数曲线&＃xff09;&＃xff0c;一般来说有以下两种方法。

方法一&＃xff1a;采用matplotlib中的mlab模块

mlab模块是Python中强大的3D作图工具&＃xff0c;立体感效果极佳。在这里使用mlab可以跳出直方图二维平面图形的限制&＃xff0c;在此基础上再添加一条曲线。在这里&＃xff0c;我们以鸢尾花iris中的数据为例&＃xff0c;来举例说明。

import numpy as np

import matplotlib.mlab as mlab

import matplotlib.pyplot as plt

import pandas

# Load dataset

url &＃61;

"https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"

names &＃61; [&＃39;sepal-length&＃39;, &＃39;sepal-width&＃39;,&＃39;petal-length&＃39;, &＃39;petal-width&＃39;, &＃39;class&＃39;]

dataset &＃61; pandas.read_csv(url, names&＃61;names)

print(dataset.head(10))

# descriptions

print(dataset.describe())

x &＃61; dataset.iloc[:,0] #提取第一列的sepal-length变量

mu &＃61;np.mean(x) #计算均值

sigma &＃61;np.std(x)

mu,sigma

以上为通过python导入鸢尾花iris数据&＃xff0c;然后提取第一列的sepal-length变量为研究对象&＃xff0c;计算出其均值、标准差&＃xff0c;接下来就绘制带拟合曲线的直方图。

num_bins &＃61; 30 #直方图柱子的数量

n, bins, patches &＃61; plt.hist(x, num_bins,normed&＃61;1, facecolor&＃61;&＃39;blue&＃39;, alpha&＃61;0.5)

#直方图函数&＃xff0c;x为x轴的值&＃xff0c;normed&＃61;1表示为概率密度&＃xff0c;即和为一&＃xff0c;绿色方块&＃xff0c;色深参数0.5.返回n个概率&＃xff0c;直方块左边线的x值&＃xff0c;及各个方块对象

y &＃61; mlab.normpdf(bins, mu, sigma)#拟合一条最佳正态分布曲线y

plt.plot(bins, y, &＃39;r--&＃39;) #绘制y的曲线

plt.xlabel(&＃39;sepal-length&＃39;) #绘制x轴

plt.ylabel(&＃39;Probability&＃39;) #绘制y轴

plt.title(r&＃39;Histogram : $\mu&＃61;5.8433$,$\sigma&＃61;0.8253$&＃39;)#中文标题 u&＃39;xxx&＃39;

plt.subplots_adjust(left&＃61;0.15)#左边距

plt.show()

以上命令主要采用mlab.normpdf基于直方图的柱子数量、均值、方差来拟合曲线&＃xff0c;然后再用plot画出来&＃xff0c;这种方法的一个缺点就是画出的正态分布拟合曲线&＃xff08;红色虚线&＃xff09;并不一定能很好反映数据的分布情况&＃xff0c;如上图所示。

方法二&＃xff1a;采用seaborn库中的distplot绘制

Seaborn其实是在matplotlib的基础上进行了更高级的API封装&＃xff0c;从而使得作图更加容易&＃xff0c;在大多数情况下使用seaborn就能做出很具有吸引力的图&＃xff0c;而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充&＃xff0c;而不是替代物。

import seaborn as sns

sns.set_palette("hls") #设置所有图的颜色&＃xff0c;使用hls色彩空间

sns.distplot(x,color&＃61;"r",bins&＃61;30,kde&＃61;True)

plt.show()

在这里主要使用sns.distplot&＃xff08;增强版dist&＃xff09;&＃xff0c;柱子数量bins也设置为30&＃xff0c;kde&＃61;True表示是否显示拟合曲线&＃xff0c;如果为False则只出现直方图。

在这里注意一下它与前边mlab.normpdf方法不同的是&＃xff0c;拟合曲线不是正态的&＃xff0c;而是更好地拟合了数据的分布情况&＃xff0c;如上图&＃xff0c;因此比mlab.normpdf更为准确。

进一步设置sns.distplot&＃xff0c;可以采用kde_kws&＃xff08;拟合曲线的设置&＃xff09;、hist_kws&＃xff08;直方柱子的设置&＃xff09;&＃xff0c;可以得到&＃xff1a;

import seaborn as sns

import matplotlib as mpl

sns.set_palette("hls")

mpl.rc("figure", figsize&＃61;(6,4))

sns.distplot(x,bins&＃61;30,kde_kws&＃61;{"color":"seagreen", "lw":3 }, hist_kws&＃61;{ "color": "b" })

plt.show()

其中&＃xff0c;lw为曲线粗细程度。

以上就是本文的全部内容&＃xff0c;希望对大家的学习有所帮助&＃xff0c;也希望大家多多支持我们。

本文标题: 详解用Python为直方图绘制拟合曲线的两种方法

本文地址: http://www.cppcns.com/jiaoben/python/269254.html