Histogramos yra pagrindinė duomenų vizualizavimo priemonė, teikianti grafinį duomenų paskirstymo vaizdą. Jie ypač naudingi tiriant nuolatinius duomenis, pvz., skaitmeninius matavimus ar jutiklių rodmenis. Šis straipsnis padės jums atlikti Plot Histogram in procesą Python naudojant Matplotlib , apimantis esminius žingsnius nuo duomenų paruošimo iki histogramos diagramos sudarymo.
Kas yra Matplotlib histogramos?
A Histograma reiškia duomenis, pateiktus kai kurių grupių forma. Tai tikslus skaitmeninių duomenų pasiskirstymo grafinio vaizdavimo metodas. Tai yra stulpelio diagramos tipas, kai X ašis reiškia bin diapazonus, o Y ašis pateikia informaciją apie dažnį.
Matplotlib histogramos kūrimas
Norint sukurti „Matplotlib“ histogramą, pirmiausia reikia sukurti diapazonų rinkinį, tada paskirstyti visą reikšmių diapazoną į intervalų seriją ir suskaičiuoti reikšmes, kurios patenka į kiekvieną intervalą. Dėžės identifikuojamos kaip nuoseklūs, nesutampantys kintamųjų intervalai matplotlib.pyplot.hist() funkcija naudojama x histogramai apskaičiuoti ir sukurti.
Šioje lentelėje rodomi parametrai, kuriuos priima funkcija matplotlib.pyplot.hist() :
| Atributas | Parametras |
|---|---|
| x | masyvas arba masyvo seka |
| šiukšliadėžės | pasirenkamame parametre yra sveikasis skaičius, seka arba eilutės |
| tankis | Pasirenkamame parametre yra loginės reikšmės |
| diapazonas | Pasirenkamas parametras rodo viršutinį ir apatinį dėžių diapazoną |
| histtype | pasirenkamas parametras, naudojamas kuriant histogramos tipą [bar, barstacked, step, stepfilled], numatytasis yra juosta |
| lygiuotis | pasirenkamas parametras valdo histogramos braižymą [kairėje, dešinėje, viduryje] |
| svoriai | pasirenkamame parametre yra svorių, kurių matmenys tokie pat kaip x, masyvas |
| apačioje | kiekvienos šiukšliadėžės bazinės linijos vietą |
| plotis | pasirenkamas parametras, kuris yra santykinis juostų plotis, atsižvelgiant į dėžės plotį |
| spalva | pasirenkamas parametras, naudojamas spalvai arba spalvų specifikacijų sekai nustatyti |
| etiketė | pasirenkama parametrų eilutė arba eilutės seka, kuri atitiktų kelis duomenų rinkinius |
| žurnalas | pasirenkamas parametras, naudojamas histogramos ašiai nustatyti žurnalo skalėje |
Histogramos braižymas Python naudojant Matplotlib
Čia pamatysime skirtingus „Matplotlib“ histogramos braižymo metodus Python :
- Pagrindinė histograma
- Individualizuota histograma su tankio diagrama
- Individualizuota histograma su vandens ženklu
- Kelios histogramos su poskyriais
- Sudėtinė histograma
- 2D histograma (Hexbin diagrama)
Sukurkite pagrindinę histogramą „Matplotlib“.
Sukurkime pagrindinę histogramą „Matplotlib“, naudodami kai kurių atsitiktinių reikšmių Python.
bash, jei būklė
Python3
import> matplotlib.pyplot as plt> import> numpy as np> # Generate random data for the histogram> data>=> np.random.randn(>1000>)> # Plotting a basic histogram> plt.hist(data, bins>=>30>, color>=>'skyblue'>, edgecolor>=>'black'>)> # Adding labels and title> plt.xlabel(>'Values'>)> plt.ylabel(>'Frequency'>)> plt.title(>'Basic Histogram'>)> # Display the plot> plt.show()> |
>
>
Išvestis:
Pritaikyta histograma Matplotlib su tankio diagrama
Sukurkime tinkintą histogramą su tankio diagrama naudodami Matplotlib ir Seaborn programoje Python. Gauta diagrama vizualizuoja atsitiktinių duomenų pasiskirstymą su sklandžiu tankio įvertinimu.
Python3
import> matplotlib.pyplot as plt> import> seaborn as sns> import> numpy as np> # Generate random data for the histogram> data>=> np.random.randn(>1000>)> # Creating a customized histogram with a density plot> sns.histplot(data, bins>=>30>, kde>=>True>, color>=>'lightgreen'>, edgecolor>=>'red'>)> # Adding labels and title> plt.xlabel(>'Values'>)> plt.ylabel(>'Density'>)> plt.title(>'Customized Histogram with Density Plot'>)> # Display the plot> plt.show()> |
>
>
Išvestis:
Individualizuota histograma su vandens ženklu
Sukurkite tinkintą histogramą naudodami Matplotlib programoje Python su konkrečiomis funkcijomis. Jame yra papildomų stiliaus elementų, tokių kaip ašies žymelių pašalinimas, užpildymas ir spalvų gradiento nustatymas, kad būtų geriau vizualizuojama.
Python3
Salman Khan amžius
import> matplotlib.pyplot as plt> import> numpy as np> from> matplotlib>import> colors> from> matplotlib.ticker>import> PercentFormatter> # Creating dataset> np.random.seed(>23685752>)> N_points>=> 10000> n_bins>=> 20> # Creating distribution> x>=> np.random.randn(N_points)> y>=> .>8> *>*> x>+> np.random.randn(>10000>)>+> 25> legend>=> [>'distribution'>]> # Creating histogram> fig, axs>=> plt.subplots(>1>,>1>,> >figsize>=>(>10>,>7>),> >tight_layout>=> True>)> # Remove axes splines> for> s>in> [>'top'>,>'bottom'>,>'left'>,>'right'>]:> >axs.spines[s].set_visible(>False>)> # Remove x, y ticks> axs.xaxis.set_ticks_position(>'none'>)> axs.yaxis.set_ticks_position(>'none'>)> > # Add padding between axes and labels> axs.xaxis.set_tick_params(pad>=> 5>)> axs.yaxis.set_tick_params(pad>=> 10>)> # Add x, y gridlines> axs.grid(b>=> True>, color>=>'grey'>,> >linestyle>=>'-.'>, linewidth>=> 0.5>,> >alpha>=> 0.6>)> # Add Text watermark> fig.text(>0.9>,>0.15>,>'Jeeteshgavande30'>,> >fontsize>=> 12>,> >color>=>'red'>,> >ha>=>'right'>,> >va>=>'bottom'>,> >alpha>=> 0.7>)> # Creating histogram> N, bins, patches>=> axs.hist(x, bins>=> n_bins)> # Setting color> fracs>=> ((N>*>*>(>1> /> 5>))>/> N.>max>())> norm>=> colors.Normalize(fracs.>min>(), fracs.>max>())> for> thisfrac, thispatch>in> zip>(fracs, patches):> >color>=> plt.cm.viridis(norm(thisfrac))> >thispatch.set_facecolor(color)> # Adding extra features> plt.xlabel(>'X-axis'>)> plt.ylabel(>'y-axis'>)> plt.legend(legend)> plt.title(>'Customized histogram'>)> # Show plot> plt.show()> |
>
>
Išvestis:
Kelios histogramos su poskyriais
Sugeneruokime dvi histogramas greta naudodami Matplotlib programoje Python, kurių kiekviena turi savo atsitiktinių duomenų rinkinį ir pateikia vizualų paskirstymo palyginimą.data1>irdata2>naudojant histogramas.
Python3
do while ciklas java
import> matplotlib.pyplot as plt> import> numpy as np> # Generate random data for multiple histograms> data1>=> np.random.randn(>1000>)> data2>=> np.random.normal(loc>=>3>, scale>=>1>, size>=>1000>)> # Creating subplots with multiple histograms> fig, axes>=> plt.subplots(nrows>=>1>, ncols>=>2>, figsize>=>(>12>,>4>))> axes[>0>].hist(data1, bins>=>30>, color>=>'Yellow'>, edgecolor>=>'black'>)> axes[>0>].set_title(>'Histogram 1'>)> axes[>1>].hist(data2, bins>=>30>, color>=>'Pink'>, edgecolor>=>'black'>)> axes[>1>].set_title(>'Histogram 2'>)> # Adding labels and title> for> ax>in> axes:> >ax.set_xlabel(>'Values'>)> >ax.set_ylabel(>'Frequency'>)> # Adjusting layout for better spacing> plt.tight_layout()> # Display the figure> plt.show()> |
>
>
Išvestis:
Sudėtinė histograma naudojant Matplotlib
Sugeneruokime sukrautą histogramą naudodami Matplotlib programoje Python, vaizduojančią du duomenų rinkinius su skirtingu atsitiktiniu duomenų pasiskirstymu. Sudėtinė histograma suteikia įžvalgų apie bendrą dviejų duomenų rinkinių dažnių pasiskirstymą.
Python3
import> matplotlib.pyplot as plt> import> numpy as np> # Generate random data for stacked histograms> data1>=> np.random.randn(>1000>)> data2>=> np.random.normal(loc>=>3>, scale>=>1>, size>=>1000>)> # Creating a stacked histogram> plt.hist([data1, data2], bins>=>30>, stacked>=>True>, color>=>[>'cyan'>,>'Purple'>], edgecolor>=>'black'>)> # Adding labels and title> plt.xlabel(>'Values'>)> plt.ylabel(>'Frequency'>)> plt.title(>'Stacked Histogram'>)> # Adding legend> plt.legend([>'Dataset 1'>,>'Dataset 2'>])> # Display the plot> plt.show()> |
>
>
Išvestis:
Nubraižykite 2D histogramą (Hexbin Plot) naudodami Matplotlib
Sugeneruokime 2D heksbino diagramą naudodami Matplotlib programoje Python, pateikiame vaizdinį 2D duomenų pasiskirstymo vaizdą, kur šešiakampiai perteikia duomenų taškų tankį. Spalvų juosta padeda interpretuoti taškų tankį skirtinguose sklypo regionuose.
Python3
import> matplotlib.pyplot as plt> import> numpy as np> # Generate random 2D data for hexbin plot> x>=> np.random.randn(>1000>)> y>=> 2> *> x>+> np.random.normal(size>=>1000>)> # Creating a 2D histogram (hexbin plot)> plt.hexbin(x, y, gridsize>=>30>, cmap>=>'Blues'>)> # Adding labels and title> plt.xlabel(>'X values'>)> plt.ylabel(>'Y values'>)> plt.title(>'2D Histogram (Hexbin Plot)'>)> # Adding colorbar> plt.colorbar()> # Display the plot> plt.show()> |
sąrašas surūšiuotas java
>
>
Išvestis:
Išvada
Matplotlib histogramų braižymas yra paprastas ir nesudėtingas procesas. Naudodamihist()>funkcija, galime nesunkiai sukurti histogramas su skirtingo pločio ir šiukšliadėžės kraštais. Taip pat galime pritaikyti histogramų išvaizdą, kad atitiktų mūsų poreikius