打开《Python 可视化数据分析》_学会挖掘大数据的价值_6.6.3 直方图

【摘要】 本书摘自《Python网络爬虫 从入门到精通》一书中第6章，第6节，李迎著。

6.6.3 直方图

学过条形图后，直方图只要改变个参数即可很快生成，在下面示例的8行代码 中，第4行是绘制图形所用数据，通过Numpy 的标准正态分布返回1000个正态分 布的值，共A、B、C三组，为了画图错落有致，让首尾两组数据加1,减1有更大 的浮动，列标签为'A','B','C', 第5行是打印整个随机正态分布3组数据的前5行， 第6、7行代码效果是相同的，这里选取了第7行的绘图，第7行 kind 中设置图表 的类型为"hist", 即 直 方 图 ，alpha 透明度是30%,这里可以自己设置颜色、标题等需要的参数。第8行生成图。示例1:

1 import pandas as pd

2 import numpy as np

3 import matplotlib.pyplot as plt

4 df4=pd.DataFrame({'A':np.random.randn(1000)+1,'B':np.random.

randn(1000),'C':np.random.randn(1000)-1},columns=['A','B','C']) 5 print(df4.head())

6 #df4.plot.hist(alpha=0.5)

7 df4.plot(kind="hist",alpha=0.3)

8 plt.show()

直方图 hist 的参数非常多，但常用就4、5个，示例里都已经提到，直方图所用 数据是必须要写明的，这里就是 df4 其他的参数可选，这个和 Matplotlib 中的直方图 很近似。直方图在数据分析中有很多拓展的学习，很有用。例如下面这几行代码就 是在上面示例中，用到 hist 中 density 方法生成密度图。利用数值出现频率绘制的直 方图进行曲线拟合，会得到密度图，所以绘制的图形是根据直方图得到的条状分布 的顶点连接后得到的平滑曲线，但这个也需要结合scipy 库中的方法。在实际绘图语 法中并不繁杂，只要在上一个示例的代码中稍微修改就可以实现，所以读者在学完 这些绘图方法后就可以根据自己的需求部分学习，进行数据分析的深入探索。但是 在下面这段代码中需要引入 scipy 库，这个库在绘图中也是常用的，这里不深入介绍。

示例2:

1 import pandas as pd

2 import numpy as np

3 import matplotlib.pyplot as plt

4 import scipy as sp

5 df4 =pd.DataFrame({'A':np.random.randn(1000)+1,'B':np.

random.randn(1000),'C':np.random.randn(1000)-1},columns=['A',

'B', 'C'])

6 print(df4.head())

7 #df4.plot.hist(alpha=0.5)

8 #df4.plot(kind="hist",alpha=0.3,bins=50)

9 ax1=df4.plot.hist(stacked=True, bins=12,alpha=0.5,density=1)

10 df4.plot.density(style='g--', ax=ax1)

11 plt.show()

其实绘图到这里就会发现 plot()函数中有很多参数，在前面也简单介绍了 plot) 是有很多参数的，但在示例中的讲解使用的参数并不多，但是足够读者画出理想的 初步分析图表，但是如果想更深入地创建自定义图表，使图形达到更美观、直观的 分析效果，就需要对更多的参数进行设置，而且很多参数是会被传给相应的 Matplotlib绘图函数中去得到回应效果，所以要先好好学习Matplotlib 知识。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们 18664393530@aliyun.com 处理，核实后本网站将在24小时内删除侵权内容。