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
