matplotlib.pyplot中的hist函数简单使用

今天学习直方图绘制，使用了hist函数绘制直方图。

首先看官网定义：

matplotlib.pyplot.hist(x, bins=None, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, hold=None, data=None, **kwargs)¶ Plot a histogram. Compute and draw the histogram of x. The return value is a tuple (n, bins, patches) or ([n0, n1, ...], bins, [patches0, patches1,...]) if the input contains multiple data. Multiple data can be provided via x as a list of datasets of potentially different length ([x0, x1, ...]), or as a 2-D ndarray in which each column is a dataset. Note that the ndarray form is transposed relative to the list form.

这里先解释直方图（histogram）是什么？

直方图是为了表明数据分布情况。通俗地说就是哪一块数据所占比例或者出现次数较高，哪一块出现概率低。如下图 横轴是数据，纵轴是出现的次数（也就是频数）。从这个图看4.1-4.3这块数据出现次数最高。

从上面可以看出直方图能够反映数据的分布状况。

在matplotlib中，我们使用hist函数完成直方图的绘制。（这里仅仅介绍最简单的使用方法，更多扩展请官网查询）

首先构造数据，这里注意构造的是一维数组可以使用pandas中的Series，如果是二维数组使用DataFrame。 import pandas as pd import numpy as np import random data = np.zeros((1000,1000),dtype=int) for i in range(len(data)):#这里速度比较慢，因为随机给1000*1000的数组赋值     for j in range(len(data[0])):         data[i][j] = random.randint(1,20)#赋值的范围是1-20中的任意一个 data_m = pd.DataFrame(data) data_m = data_m[1].value_counts()#注意value_counts函数统计一个series上的数据情况 data_m = data_m.sort_index()#给统计后的数据排序 print data_m 运行结果(左边是数据，右边是频数，按照数据的大小来排序） 1 55 2 49 3 51 4 42 5 51 6 38 7 44 8 55 9 41 10 56 11 45 12 43 13 51 14 54 15 46 16 53 17 56 18 52 19 62 20 56 Name: 1, dtype: int64 随后开始画直方图： import matplotlib.pyplot as plt plt.hist(data[0]) plt.show() 运行结果 默认情况下，总共分为10段，可以数一下上面的段数。如果使用如下代码： import matplotlib.pyplot as plt plt.hist(data[0],bins=20) plt.show() 运行结果： 可以看出效果更明显。根据自己的需要进行选择！！