统计图表

2023-06-19 14:33| 来源: 网络整理| 查看: 265

条形图与直方图 1. 条形图1.1 常用参数1.2水平显示条形图1.3 对比条形图1.4 堆积条形图 2. 直方图2.1 常用参数2.2 seaborn中的直方图2.2.1 常用参数

1. 条形图

条形图一般用于分类型变量的展示或探索性分析，特点是横轴代表类别，纵轴(条形图的长度)代表频数或者频率，因此条形图的宽度是没有意义的。

import numpy as np import matplotlib.pyplot as plt # 使用jupyter notebook要加上下面的代码以正确显示图片， %matplotlib inline N = 5 y = [20, 10, 30, 15, 25] x = np.arange(N) plt.bar(x, y) plt.show()

在这里插入图片描述通过上面简短的代码就能得到一个简单的条形图，为了让画出的条形图更美观一点，我们可以使用以下参数来对条形图进行调整：

1.1 常用参数 color：颜色width：条形宽度orientation：控制条形图的方向 plt.bar(x, y, color='g', width=0.4)

在这里插入图片描述

1.2水平显示条形图

将条形图设置为水平显示有两种方法，一种是将参数orientation设置为’horizontal’；另一种是直接使用plt.barh()函数：

plt.bar(x=0,bottom=x, width=y,height=0.5, color='g', orientation='horizontal')

在这里插入图片描述使用plt.barh()函数比直接使用plt.bar()函数要简单一些：

# 水平条线图的另一种实现 plt.barh(x, y, color='g', height=0.5)

在这里插入图片描述

1.3 对比条形图

对比条形图常用于多总体的分类型数据比较，主要通过使用给类别加上条形图的宽度作为偏移量来实现的：

D1 = [20, 30 , 15, 18] D2 = [15, 20 , 30, 25] index = np.arange(4) bar_width = 0.3 plt.bar(index, D1, width=bar_width, color='r') plt.bar(index+bar_width, D2, width=bar_width, color='g')

在这里插入图片描述利用1.2中的方法，使用plt.barh()就能画出水平的对比条形图：

plt.barh(index, D1, height=bar_width, color='r') plt.barh(index+bar_width, D2, height=bar_width, color='g')

在这里插入图片描述

1.4 堆积条形图

在画对比条形图时，我们再类别加上了条形的宽度来对达到并排显示条形的目的；类似地，给一个分类变量的值加上另一个分类变量对应的取值，就是实现堆积的效果：

plt.bar(index, D1, width=bar_width, color='r') plt.bar(index, D2, width=bar_width, bottom=D1,color='g')

在这里插入图片描述

2. 直方图

直方图主要是用来观察连续型变量的分布，可以将直方图看作变量分布的一个估计。在matplotlib中使用hist函数可以直接画出对应数据的直方图

import numpy as np import matplotlib.pyplot as plt %matplotlib inline # 生成随机样本 mu = 20 sigma = 5 x = mu + sigma * np.random.randn(2000) plt.hist(x)

在这里插入图片描述

2.1 常用参数 color：颜色bins：分组数量density：将y轴转化为频率(频率和为1) 除了color这个matplotlib的基本方法外，hist函数中还能使用bins’来控制直方图的分组数量： plt.hist(x, bins=20, color='g', density=True)

在这里插入图片描述从上图可以看出图片的组数增加了，同时y轴的取值由频数转化为了频率。

2.2 seaborn中的直方图

seaborn基于 matplot, 导入 seaborn 会修改默认的 matplotlib 配色方案和绘图样式，这会提高图表的可读性和美观性: seaborn中通过distplot来画出变量的直方图：

import seaborn as sns from scipy.stats import norm x = np.random.gamma(20, size=2000) plt.figure() sns.distplot(x)

在这里插入图片描述

2.2.1 常用参数 kde:是否显示密度估计曲线的参数，默认为 True。fit: 拟合目标分布在seaborn中也可使用color、bins对直方图的颜色和分组数量进行控制。除此之外，还可使用kde参数控制密度函数估计是否显示，fit参数来拟合目标估计。下面我们生成服从 Γ ( 20 , 1 ) \Gamma(20, 1) Γ(20,1) 的随机样本并画出其直方图，密度函数估计图： import seaborn as sns from scipy.stats import norm # 生成伽马分布的随机样本 x = np.random.gamma(20, size=2000) plt.figure() sns.distplot(x, bins=40, kde=True, fit=norm, color='g')

在这里插入图片描述上图的绿色曲线为样本的概率密度函数估计曲线，黑色曲线为拟合的正态分布的概率密度函数曲线。可见该伽马分布与正态分布十分接近，这符合伽马分布的形状参数越大，它就接近正态分布的性质。

【本文地址】

统计图表

统计图表

今日新闻

推荐新闻