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
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14