
在上篇文章中介紹了matplotlib繪制直方圖的前五個(gè)參數(shù),實(shí)際上直方圖一共有十幾個(gè)參數(shù),剩下的參數(shù)利用這篇文章解釋清楚,讓大家能夠?qū)⑷绾卫L制直方圖理解的透透的。
這個(gè)參數(shù)的含義也很直觀,底部的意思,指的是條形的底從哪里開(kāi)始。這個(gè)參數(shù)接收標(biāo)量和序列,或者None,默認(rèn)為None,如果是標(biāo)量,則所有條形的底都從同一個(gè)數(shù)值處開(kāi)始,如果為序列,則可以指定每個(gè)條形的底不一致。
fig = plt.figure(figsize=(16,4)) pic1 = fig.add_subplot(131) plt.hist(data,bins = 10) plt.title("bottom默認(rèn)None") pic2 = fig.add_subplot(132) plt.hist(data,bins = 10, bottom=10) # bottom=10,表示所有條形的底部從10開(kāi)始,默認(rèn)從0開(kāi)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為序列,序列長(zhǎng)度于條形的數(shù)量一致,表示每個(gè)條的底部從哪里開(kāi)始 plt.title("bottom取值為序列");
上圖是當(dāng)bottom參數(shù)不同取值時(shí)繪制出來(lái)不同的直方圖,第一幅圖和第二幅圖看起來(lái)長(zhǎng)的一樣,但是仔細(xì)觀察下就能發(fā)現(xiàn)兩幅圖y軸的起始點(diǎn)時(shí)不一樣的,第一幅圖的起點(diǎn)時(shí)0.第二幅圖的起點(diǎn)是10,因?yàn)閎ottom參數(shù)設(shè)置的為10;而第三幅圖bottom的參數(shù)設(shè)置的序列,序列的長(zhǎng)度和直方圖的組數(shù)一致,即每個(gè)條形的起始點(diǎn)都不同,具體設(shè)置哪種比較好,還是要看具體的業(yè)務(wù)需求哦。
histtype參數(shù)控制的時(shí)直方圖中條形的展現(xiàn)方式,它接收的參數(shù)是固定的字符串,其中常見(jiàn)的是以下兩種形式:
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默認(rèn)參數(shù)為”bar“,即條形,可以進(jìn)行指定 plt.title(' histtype = "step"');
如果需要將折線圖和直方圖繪制到一副圖中,可以考慮對(duì)條形的形式進(jìn)行設(shè)置。
align參數(shù)控制的是條形的位置,能夠接收的參數(shù)也是指定的字符串,通常大家都用默認(rèn)值"mid",即中間,這樣直方圖中的條形會(huì)居于前后臨界點(diǎn)的中間位置,是最常見(jiàn)的一種:
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'");
由于原數(shù)據(jù)和分箱規(guī)則沒(méi)有變化,所以三個(gè)直方圖很相近,區(qū)別在于x軸上,這里為了能直觀的看出區(qū)別,特意將每組的臨界值添加到了x軸,仔細(xì)查看能夠看出只有最后一個(gè)圖才是我們常見(jiàn)的直方圖,前兩個(gè)條形的位置都有偏移。
對(duì)條形圖比較熟悉的朋友可能對(duì)這個(gè)參數(shù)并不陌生,它是控制條形方向的參數(shù),接收的是特定的字符,即條形的方向是垂直的還是水平的,一般默認(rèn)繪制的都是垂直方向的,如果需要橫向的直方圖,直接設(shè)置這個(gè)參數(shù)就好。它接收的參數(shù)是指定的字符串,表明條形方向:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) #默認(rèn)條形方向?yàn)榇怪狈较? plt.title('orientation默認(rèn)"vertical"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,orientation = 'horizontal') # orientation = 'horizontal'表示條形為水平方向 plt.title('orientation = "horizontal"');
參數(shù)中可選的兩個(gè)字符即是垂直還是水平。
從字面上看,這個(gè)參數(shù)是和寬度有關(guān)的,事實(shí)也的確是這樣。這個(gè)參數(shù)可以設(shè)置條形的寬度,接收數(shù)值,但是它設(shè)置的寬度是相對(duì)于默認(rèn)寬度而言的,重新設(shè)置的寬度是原寬度的幾分之幾,我們具體看一下代碼:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) #rwidth控制條形的相對(duì)寬度,不進(jìn)行指定,自動(dòng)計(jì)算 plt.title('rwidth默認(rèn)"None"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,rwidth=0.8) # 指定條形的相對(duì)寬度 plt.title('rwidth=0.8');
如果不進(jìn)行設(shè)置,直方圖的各個(gè)條形之間是沒(méi)有空隙的,當(dāng)我將rwidth設(shè)置成0.8之后,條形的寬度就只有原寬度的80%,條形之間也會(huì)出現(xiàn)縫隙。
log參數(shù)控制是否將刻度設(shè)置成對(duì)數(shù)刻度,接收布爾值,默認(rèn)為False,進(jìn)行普通刻度,一旦設(shè)置為True:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist(data,bins = 10) plt.title('log默認(rèn)"False"') pic2 = fig.add_subplot(122) plt.hist(data,bins = 10,log=True) # 直方圖軸將設(shè)置為對(duì)數(shù)刻度。 plt.title('log=True"');
設(shè)置成對(duì)數(shù)刻度后,雖然分組情況沒(méi)有變,但是分布狀況還是發(fā)生了變化,如果設(shè)置了該參數(shù),最好在標(biāo)題或其他部分標(biāo)注提示一下。
這個(gè)參數(shù)可以說(shuō)是相當(dāng)熟悉,很多函數(shù)中都有,表示對(duì)圖形的顏色進(jìn)行設(shè)置,沒(méi)錯(cuò)的確是設(shè)置顏色,想起我們還有一個(gè)最開(kāi)始的參數(shù)沒(méi)有講解,就在這里和color一起講解了。
目前我們只有一組數(shù)據(jù),現(xiàn)在呢假設(shè)有了兩個(gè)學(xué)校學(xué)生的身高數(shù)據(jù),喏,這就是第二個(gè)學(xué)校的學(xué)生身高了:
data1 = np.random.randint(150,180,200) data1
輸出結(jié)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])
到這里是不是有點(diǎn)明白了,直方圖不止可以對(duì)一組數(shù)據(jù)進(jìn)行繪圖,多組數(shù)據(jù)也是可以的,參數(shù)x可以接收多組數(shù)據(jù),如果是多組數(shù)據(jù)需要將多組數(shù)據(jù)打包到一起作為一個(gè)整體傳給參數(shù)x:
fig = plt.figure(figsize=(16,4)) pic1 = fig.add_subplot(131) plt.hist(data,bins = 10) plt.title("color默認(rèn)None") pic2 = fig.add_subplot(132) plt.hist(data,bins = 10, color="r") # 設(shè)置顏色為紅色 plt.title("color="r"") pic3 = fig.add_subplot(133) plt.hist([data,data1],bins = 10, color=["c","orange"]) # color取值為序列,每個(gè)數(shù)據(jù)集對(duì)應(yīng)一種顏色,color序列的長(zhǎng)度與數(shù)據(jù)集個(gè)數(shù)一致 plt.title("color取值為序列");
能夠看到,如果只有一組數(shù)據(jù),color參數(shù)也就只接收一個(gè)顏色指定,如果是多組數(shù)據(jù),可以對(duì)每個(gè)數(shù)據(jù)集的顏色進(jìn)行指定,具體需要注意的點(diǎn)已經(jīng)在代碼中備注了哦。
label參數(shù)也不是陌生的參數(shù),是對(duì)標(biāo)簽的設(shè)定,接收的是字符串,并沒(méi)有什么特殊,但是需要注意的是如果設(shè)置了這個(gè)參數(shù),記得調(diào)用plt.lenged()顯示圖例,如果不調(diào)用即使設(shè)置了標(biāo)簽也不能作為圖例顯示在圖形中。而顯示圖例除了直接在直方圖函數(shù)中設(shè)置label參數(shù)外,還可以在plt.lenged()中設(shè)置,具體的區(qū)別還是看代碼吧:
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函數(shù)中設(shè)置label參數(shù)') pic2 = fig.add_subplot(122) plt.hist([data,data1],bins = 10, color=["c","orange"]) plt.legend(["data","data1"]) plt.title('legend函數(shù)中設(shè)置label參數(shù)');
效果是一樣的。
這個(gè)參數(shù)的字面意思也很直觀,表示是否要堆疊,接收布爾值。需要注意的是如果繪圖只用了一個(gè)數(shù)據(jù)集,那么這個(gè)參數(shù)無(wú)論設(shè)置成什么都沒(méi)有影響,如果要堆疊至少需要兩個(gè)數(shù)據(jù)集才能顯示出區(qū)別:
fig = plt.figure(figsize=(9,4)) pic1 = fig.add_subplot(121) plt.hist([data,data1],stacked=False) #默認(rèn)多組數(shù)據(jù)并列排列 plt.title('stacked默認(rèn)"False"') pic2 = fig.add_subplot(122) plt.hist([data,data1],stacked=True) #多組數(shù)據(jù)彼此堆疊 plt.title('stacked=True"');
區(qū)別是不是很明顯了,堆疊的意思也容易理解了對(duì)不對(duì)?
以上就是直方圖函數(shù)所有參數(shù)的設(shè)置講解,希望能夠幫助大家能夠全面的掌握如何繪制一個(gè)符合實(shí)際需求的直方圖。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書(shū)考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開(kāi)啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03