Python直方图（histogram）学习笔记-《Python数据科学手册》

阅读链接：Python Data Science Handbook | Python Data Science Handbook

例程1：

import numpy as np

import matplotlib.pyplot as plt

# (Example 1) set the style of the gram

plt.style.use('seaborn-white')

#generate a set of 1000 random numbers with a standard Gaussian distribution

data = np.random.randn(1000)

plt.hist(data, bins=20, normed=True, alpha=0.5, histtype='stepfilled', color='steelblue', edgecolor='None');

随机数生成可参考：numpy.random.randn()用法_u012149181的博客-CSDN博客

风格样式设置可参考：plt.style.use设置背景样式_qq_22592457的博客-CSDN博客

输出如下：

bins参数为分箱个数（数值越大，分组越多，小矩形越窄），alpha是透明度其值可取[0,1]。

normed参数的官方解释是：如果为True，则返回元组的第一个元素将是归一化以形成概率密度的计数，

跑出来的区别就是，true的波形比false更接近正态分布

例程2：

#括号里第一个和第二个参数分别是正态分布期望及方差，第三个参数表示随机数个数

#(Example 2)括号里第一个和第二个参数分别是正态分布期望及方差，第三个参数表示随机数个数

x1=np.random.normal(0,0.8,1000)

x2=np.random.normal(-2,1,1000)

x3=np.random.normal(3,2,1000)

kwargs=dict(histtype='stepfilled',alpha=0.3,normed=True,bins=40)

plt.hist(x1,**kwargs)

plt.hist(x2,**kwargs)

plt.hist(x3,**kwargs);

得出的图为：

#(Example 3)计算分箱情况和分箱数

data = np.random.randn(1000)

counts, bin_edges = np.histogram(data, bins=5)

plt.hist(data);

#compute the sum of elements of list"count"

def sum_list_ele(list):

    total=0

    ele = 0

    while(ele < len(list)):

        total += list[ele]

        ele += 1

    return total

print(counts)

print(sum_list_ele(counts))

print(bin_edges)

得出结果为：