導讀：直方圖和柱狀圖都是數據分析中非常常見、常用的圖表，由于兩者外觀上看起來非常相似，也就難免造成一些混淆。此前我們曾在《柱狀圖、堆疊柱狀圖、瀑布圖有什么區別？怎樣用Python繪制？》一文中帶大家了解了柱狀圖，今天我們再來講講直方圖。

作者：屈希峰，資深Python工程師，知乎多個專欄作者

來源：華章科技

01 概述

直方圖(Histogram)，形狀類似柱狀圖卻有著與柱狀圖完全不同的含義。直方圖牽涉統計學概念，

首先要對數據進行分組，然后統計每個分組內數據元的數量。

在平面直角坐標系中，橫軸標出每個組的端點，縱軸表示頻數，每個矩形的高代表對應的頻數，這樣的統計圖稱為頻數分布直方圖。

頻數分布直方圖需要經過頻數乘以組距的計算過程才能得出每個分組的數量，同一個直方圖的組距是一個固定不變的值，所以如果直接用縱軸表示數量，每個矩形的高代表對應的數據元數量，既能保持分布狀態不變，又能直觀地看出每個分組的數量，如圖2-58所示。

▲圖2-58 直方圖

通過直方圖還可以觀察和估計哪些數據比較集中，異常或者孤立的數據分布在何處。

首先，了解如下幾個基本概念。

組數：

在統計數據時，我們把數據按照不同的范圍分成幾個組，分成的組的個數稱為組數。

組距：

每一組兩個端點的差。

頻數：

分組內數據元的數量除以組距。

02 實例

直方圖代碼示例如下所示。

代碼示例 2-45

1plot?=?figure(plot_width=300,?plot_height=300)

2plot.quad(top=[2,?3,?4],?bottom=[1,?2,?3],?left=[1,?2,?3],

3??????????right=[1.2,?2.5,?3.7],?color="#B3DE69")

4show(plot)

運行結果如圖2-59所示。

▲圖2-59 代碼示例2-45運行結果

代碼示例2-45第2行使用quad ()方法通過定義矩形的四邊邊界繪制直方圖，具體參數說明如下。

p .quad(left, right, top, bottom, **kwargs)參數說明。

left

(:class:`~bokeh.core.properties.NumberSpec` ) : 直方x軸左側邊界

right

(:class:`~bokeh.core.properties.NumberSpec` ) : 直方x軸右側邊界

top

(:class:`~bokeh.core.properties.NumberSpec` ) : 直方y軸頂部邊界

bottom

(:class:`~bokeh.core.properties.NumberSpec` ) : 直方y軸底部邊界

其他參數(**kwargs)說明。

alpha

(float) : 一次性設置所有線條的透明度

color

(Color) : 一次性設置所有線條的顏色

source

(ColumnDataSource) : Bokeh特有數據格式(類似于Pandas Dataframe)

legend

(str) : 圖元的圖例

x_range_name

(str) : x軸范圍名稱

y_range_name

(str) : y軸范圍名稱

level

(Enum) : 圖元渲染級別

代碼示例 2-46

1import?numpy?as?np

2import?scipy.special

3from?bokeh.layouts?import?gridplot

4#?繪圖函數

5def?make_plot(title,?hist,?edges,?x,?pdf,?cdf):

6????p?=?figure(title=title,?tools='',?background_fill_color="#fafafa")

7????p.quad(top=hist,?bottom=0,?left=edges[:-1],?right=edges[1:],

8???????????fill_color="navy",?line_color="white",?alpha=0.5)

9????p.line(x,?pdf,?line_color="#ff8888",?line_width=4,?alpha=0.7,?legend="PDF")

10????p.line(x,?cdf,?line_color="orange",?line_width=2,?alpha=0.7,?legend="CDF")

11

12????p.y_range.start?=?0

13????p.legend.location?=?"center_right"

14????p.legend.background_fill_color?=?"#fefefe"

15????p.xaxis.axis_label?=?'x'

16????p.yaxis.axis_label?=?'Pr(x)'

17????p.grid.grid_line_color="white"

18????return?p

19#?正態分布

20mu,?sigma?=?0,?0.5

21measured?=?np.random.normal(mu,?sigma,?1000)

22hist,?edges?=?np.histogram(measured,?density=True,?bins=50)

23x?=?np.linspace(-2,?2,?1000)

24#?擬合曲線

25pdf?=?1/(sigma?*?np.sqrt(2*np.pi))?*?np.exp(-(x-mu)**2?/?(2*sigma**2))

26cdf?=?(1+scipy.special.erf((x-mu)/np.sqrt(2*sigma**2)))/2

27p1?=?make_plot("Normal?Distribution?(μ=0,?σ=0.5)",?hist,?edges,?x,?pdf,?cdf)

28#?對數正態分布

29mu,?sigma?=?0,?0.5

30measured?=?np.random.lognormal(mu,?sigma,?1000)

31hist,?edges?=?np.histogram(measured,?density=True,?bins=50)

32x?=?np.linspace(0.0001,?8.0,?1000)

33pdf?=?1/(x*?sigma?*?np.sqrt(2*np.pi))?*?np.exp(-(np.log(x)-mu)**2?/?(2*sigma**2))

34cdf?=?(1+scipy.special.erf((np.log(x)-mu)/(np.sqrt(2)*sigma)))/2

35p2?=?make_plot("Log?Normal?Distribution?(μ=0,?σ=0.5)",?hist,?edges,?x,?pdf,?cdf)

36#?伽瑪分布

37k,?theta?=?7.5,?1.0

38measured?=?np.random.gamma(k,?theta,?1000)

39hist,?edges?=?np.histogram(measured,?density=True,?bins=50)

40x?=?np.linspace(0.0001,?20.0,?1000)

41pdf?=?x**(k-1)?*?np.exp(-x/theta)?/?(theta**k?*?scipy.special.gamma(k))

42cdf?=?scipy.special.gammainc(k,?x/theta)

43p3?=?make_plot("Gamma?Distribution?(k=7.5,?θ=1)",?hist,?edges,?x,?pdf,?cdf)

44#?韋伯分布

45lam,?k?=?1,?1.25

46measured?=?lam*(-np.log(np.random.uniform(0,?1,?1000)))**(1/k)

47hist,?edges?=?np.histogram(measured,?density=True,?bins=50)

48x?=?np.linspace(0.0001,?8,?1000)

49pdf?=?(k/lam)*(x/lam)**(k-1)?*?np.exp(-(x/lam)**k)

50cdf?=?1?-?np.exp(-(x/lam)**k)

51p4?=?make_plot("Weibull?Distribution?(λ=1,?k=1.25)",?hist,?edges,?x,?pdf,?cdf)

52#?顯示

53show(gridplot([p1,p2,p3,p4],?ncols=2,?plot_width=400,?plot_height=400,?toolbar_location=None))

運行結果如圖2-60所示。

▲圖2-60 代碼示例2-46運行結果

代碼示例2-46第5行自定義繪圖函數make_plot (title, hist, edges, x, pdf, cdf)，其中參數分別為圖的標題、直方頂部邊界、左右邊界、擬合曲線的x坐標、方法通過定義矩形的四邊邊界，PDF為概率密度函數，CDF為累積分布函數。第53行通過gridplot()方法一次展示4張圖(正態分布、對數正態分布、伽瑪分布、韋伯分布)。

關于作者：屈希峰，資深Python工程師，Bokeh領域的實踐者和布道者，對Bokeh有深入的研究。擅長Flask、MongoDB、Sklearn等技術，實踐經驗豐富。知乎多個專欄(Python中文社區、Python程序員、大數據分析挖掘)作者，專欄累計關注用戶十余萬人。

本文摘編自《Python數據可視化：基于Bokeh的可視化繪圖》，經出版方授權發布。

延伸閱讀《Python數據可視化》

推薦語：

從圖形繪制、數據動態展示、Web交互等維度全面講解Bokeh功能和使用，不含復雜數據處理和算法，深入淺出，適合零基礎入門，包含大量案例。

總結

以上是生活随笔為你收集整理的简述直方图和柱形图的区别_什么是直方图？跟柱状图有什么区别？终于有人讲明白了...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。