python如何画直方图

matplotlib.pyplot直方图画起来还是非常方便的，思路还是准备好数据，然后设置参数即可。

直方图(Histogram)又称质量分布图。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。

直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。 为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。

直方图是调用的matplotlib.pyplot.hist模块

matplotlib.pyplot.hist的参数：

matplotlib.pyplot.hist（x，bins=None，range=None，density=None，weights=None，cumulative=False，bottom=None，
histtype=’bar’，align=’mid’，orientation=’vertical’，rwidth=None，log=False，color=None，label=None，
stacked=False，normed=None，hold=None，data=None，**kwargs）

hist的参数详解

x ： （n，）数组或序列（n，）数组

输入值，这需要单个数组或不需要具有相同长度的数组序列

bins ： 整数或序列或’auto’可选,默认是没有

如果一个整数,bins+1,则计算并返回bin边缘，与之一致numpy.histogram()

range : 元组或没有可选的,默认是没有

箱子的上下范围。上下异常值将被忽略。如果没有提供,范围是(x.min(),x.max())。如果箱子是一个序列没有影响范围
如果指定箱是一个序列或范围,自动定量是基于指定本范围而不是x的范围。

density :可选布尔类型

如果这是真的,返回第一个元素的元组将计数归一化形成一个概率密度,即。,面积(或积分)根据直方图将之和为1。这是通过将整个计算
观测的数量乘以本宽度,而不是除以总数量的观察。如果堆也是真的,直方图之和是标准化为1。
默认是没有赋范和密度。如果设置,那么将使用这个值。如果没有设置,那么参数将被视为错误的

weights：可选择相同的数据或者没有

数组的重量、形状相同的x。每个值x只贡献相关重量对箱数(而不是1)。如果赋范或密度是真的,权重归一化,这样的积分密度范围是1。

cumulative:可选布尔类型

如果True，则计算直方图，其中每个bin给出该bin中的计数加上较小值的所有bin。最后一个bin给出了数据点的总数。如果赋范或密度
也True然后直方图归一化，使得最后仓等于1。如果累计计算结果为小于0（例如，-1），累积的方向被反转。在这种情况下，如果赋范
和/或密度也是True，则直方图归一化，使得第一仓等于1。
默认是False

bottom:相同数组，标量或者没有

每个仓的底部基线的位置。如果是标量，则每个bin的基线移动相同的量。如果是一个数组，每个bin都是独立移动的，底部的长度必须
与bin的数量相匹配。如果为None，则默认为0。默认是None

histtype ： {‘bar’，’barstacked’，’step’，’stepfilled’}，可选

要绘制的直方图的类型
‘bar’是传统的条形直方图。如果给出多个数据，则条并排排列。
‘barstacked’是一种条形直方图，其中多个数据堆叠在一起。
‘step’生成一个默认未填充的线图。
‘stepfilled’生成一个默认填充的线图。
默认为’bar’

align ： {‘left’，’mid’，’right’}，可选

控制直方图的绘制方式。
‘left’：条形图位于左边框边缘的中心。
‘mid’：条在bin边缘之间居中。
‘right’：条形图位于右侧边框的中心。
默认为’mid’

orientation ： {‘horizontal’，’vertical’}，可选

如果是’horizontal’，barh将用于条形直方图，底部kwarg将用于左边缘

log ： 布尔值，可选

如果True，直方图轴将设置为对数刻度。如果log是True且x是1D数组，则将过滤掉空箱，并且仅返回非空。(n,bins,patches).
默认是False

color :颜色

颜色规格或颜色规格序列，每个数据集一个。Default（None）使用标准线颜色序列.默认是None

实例：

importnumpyasnp
importmatplotlib.pyplotasplt
np.random.seed(19680801)
mu,sigma=100,15
x=mu+sigma*np.random.randn(10000)
n,bins,patches=plt.hist(x,50,density=True,facecolor='g',alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('HistogramofIQ')
plt.text(60,.025,r'$\mu=100,\\sigma=15$')
plt.axis([40,160,0,0.03])
plt.grid(True)
plt.show()

效果图：