python可视化:matplotlib绘制直方图进阶篇

在上篇文章中介绍了直方图的前五个参数，实际上直方图一共有十几个参数，剩下的参数利用这篇文章解释清楚，让大家能够将如何绘制直方图理解的透透的。

bottom参数

这个参数的含义也很直观，底部的意思，指的是条形的底从哪里开始。这个参数接收标量和序列，或者None，默认为None，如果是标量，则所有条形的底都从同一个数值处开始，如果为序列，则可以指定每个条形的底不一致。

fig = plt.figure(figsize=(16,4))

pic1 = fig.add_subplot(131)
plt.hist(data,bins = 10)
plt.title("bottom默认None")

pic2 = fig.add_subplot(132)
plt.hist(data,bins = 10, bottom=10) # bottom=10，表示所有条形的底部从10开始，默认从0开始
plt.title("bottom=10")

pic3 = fig.add_subplot(133)
plt.hist(data,bins = 10, bottom=np.array([21, 20, 13, 17, 22, 32, 23, 15, 22, 15])) # bottom为序列，序列长度于条形的数量一致，表示每个条的底部从哪里开始
plt.title("bottom取值为序列");

? 上图是当bottom参数不同取值时绘制出来不同的直方图，第一幅图和第二幅图看起来长的一样，但是仔细观察下就能发现两幅图y轴的起始点时不一样的，第一幅图的起点时0.第二幅图的起点是10，因为bottom参数设置的为10；而第三幅图bottom的参数设置的序列，序列的长度和直方图的组数一致，即每个条形的起始点都不同，具体设置哪种比较好，还是要看具体的业务需求哦。

histtype参数

? histtype参数控制的时直方图中条形的展现方式，它接收的参数是固定的字符串，其中常见的是以下两种形式：

fig = plt.figure(figsize=(9,4))

pic1 = fig.add_subplot(121)
plt.hist(data,bins = 10, histtype = "bar")
plt.title(' histtype = "bar"')

pic2 = fig.add_subplot(122)
plt.hist(data,bins = 10, histtype = "step") #  histtype默认参数为”bar“，即条形，可以进行指定
plt.title(' histtype = "step"');

? 如果需要将折线图和直方图绘制到一副图中，可以考虑对条形的形式进行设置。

align参数

? align参数控制的是条形的位置，能够接收的参数也是指定的字符串，通常大家都用默认值"mid",即中间，这样直方图中的条形会居于前后临界点的中间位置，是最常见的一种：

fig = plt.figure(figsize=(16,4))

pic1 = fig.add_subplot(131)
plt.hist(data,bins = 10, align = "left")
plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30)
plt.title("align ='left'")

pic2 = fig.add_subplot(132)
plt.hist(data,bins = 10, align = "right") 
plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30)
plt.title("align ='right'")

pic3 = fig.add_subplot(133)
plt.hist(data,bins = 10, align = "mid")
plt.xticks([150. , 152.9, 155.8, 158.7, 161.6, 164.5, 167.4, 170.3, 173.2,176.1, 179. ],rotation = 30)
plt.title("align ='mid'"); 

由于原数据和分箱规则没有变化，所以三个直方图很相近，区别在于x轴上，这里为了能直观的看出区别，特意将每组的临界值添加到了x轴，仔细查看能够看出只有最后一个图才是我们常见的直方图，前两个条形的位置都有偏移。

orientation参数

对条形图比较熟悉的朋友可能对这个参数并不陌生，它是控制条形方向的参数，接收的是特定的字符，即条形的方向是垂直的还是水平的，一般默认绘制的都是垂直方向的，如果需要横向的直方图，直接设置这个参数就好。它接收的参数是指定的字符串，表明条形方向：

fig = plt.figure(figsize=(9,4))

pic1 = fig.add_subplot(121)
plt.hist(data,bins = 10) #默认条形方向为垂直方向
plt.title('orientation默认"vertical"')

pic2 = fig.add_subplot(122)
plt.hist(data,bins = 10,orientation = 'horizontal') #  orientation = 'horizontal'表示条形为水平方向
plt.title('orientation = "horizontal"');

参数中可选的两个字符即是垂直还是水平。

rwidth参数

从字面上看，这个参数是和宽度有关的，事实也的确是这样。这个参数可以设置条形的宽度，接收数值，但是它设置的宽度是相对于默认宽度而言的，重新设置的宽度是原宽度的几分之几，我们具体看一下代码：

fig = plt.figure(figsize=(9,4))

pic1 = fig.add_subplot(121)
plt.hist(data,bins = 10) #rwidth控制条形的相对宽度，不进行指定，自动计算
plt.title('rwidth默认"None"')

pic2 = fig.add_subplot(122)
plt.hist(data,bins = 10,rwidth=0.8) # 指定条形的相对宽度
plt.title('rwidth=0.8');

如果不进行设置，直方图的各个条形之间是没有空隙的，当我将rwidth设置成0.8之后，条形的宽度就只有原宽度的80%，条形之间也会出现缝隙。

log参数

log参数控制是否将刻度设置成对数刻度，接收布尔值，默认为False，进行普通刻度，一旦设置为True：

fig = plt.figure(figsize=(9,4))

pic1 = fig.add_subplot(121)
plt.hist(data,bins = 10)
plt.title('log默认"False"')

pic2 = fig.add_subplot(122)
plt.hist(data,bins = 10,log=True) # 直方图轴将设置为对数刻度。
plt.title('log=True"');

设置成对数刻度后，虽然分组情况没有变，但是分布状况还是发生了变化，如果设置了该参数，最好在标题或其他部分标注提示一下。

color参数和X

这个参数可以说是相当熟悉，很多函数中都有，表示对图形的颜色进行设置，没错的确是设置颜色，想起我们还有一个最开始的参数没有讲解，就在这里和color一起讲解了。

目前我们只有一组数据，现在呢假设有了两个学校学生的身高数据，喏，这就是第二个学校的学生身高了：

data1 = np.random.randint(150,180,200)
data1

输出结果：

array([164, 171, 172, 161, 171, 175, 161, 170, 159, 163, 154, 162, 156,
       158, 160, 156, 163, 167, 170, 168, 163, 171, 174, 161, 156, 167,
       165, 169, 162, 176, 167, 157, 157, 169, 160, 177, 162, 154, 163,
       168, 155, 177, 151, 155, 179, 166, 170, 168, 158, 167, 156, 170,
       163, 157, 172, 169, 156, 171, 155, 160, 177, 164, 157, 160, 173,
       175, 164, 168, 171, 158, 163, 162, 167, 167, 169, 155, 175, 171,
       162, 174, 165, 179, 167, 179, 168, 157, 151, 151, 171, 170, 168,
       165, 167, 179, 153, 177, 165, 155, 153, 157, 162, 167, 173, 161,
       171, 159, 165, 152, 160, 172, 154, 157, 176, 152, 171, 161, 169,
       154, 171, 150, 158, 164, 150, 170, 153, 162, 150, 174, 150, 176,
       167, 171, 164, 170, 171, 163, 162, 164, 174, 157, 179, 166, 150,
       170, 166, 161, 155, 175, 163, 156, 152, 159, 168, 158, 176, 159,
       158, 169, 155, 166, 151, 163, 177, 154, 170, 152, 167, 172, 170,
       163, 161, 177, 164, 160, 157, 167, 163, 177, 169, 162, 166, 158,
       156, 168, 169, 168, 159, 159, 154, 169, 168, 169, 156, 165, 173,
       175, 169, 156, 158, 154])

到这里是不是有点明白了，直方图不止可以对一组数据进行绘图，多组数据也是可以的，参数x可以接收多组数据，如果是多组数据需要将多组数据打包到一起作为一个整体传给参数x：

fig = plt.figure(figsize=(16,4))

pic1 = fig.add_subplot(131)
plt.hist(data,bins = 10)
plt.title("color默认None")

pic2 = fig.add_subplot(132)
plt.hist(data,bins = 10, color="r") # 设置颜色为红色
plt.title("color="r"")

pic3 = fig.add_subplot(133)
plt.hist([data,data1],bins = 10, color=["c","orange"]) 
# color取值为序列，每个数据集对应一种颜色,color序列的长度与数据集个数一致
plt.title("color取值为序列");

能够看到，如果只有一组数据，color参数也就只接收一个颜色指定，如果是多组数据，可以对每个数据集的颜色进行指定，具体需要注意的点已经在代码中备注了哦。

label参数

label参数也不是陌生的参数，是对标签的设定，接收的是字符串，并没有什么特殊，但是需要注意的是如果设置了这个参数，记得调用plt.lenged（）显示图例，如果不调用即使设置了标签也不能作为图例显示在图形中。而显示图例除了直接在直方图函数中设置label参数外，还可以在plt.lenged（）中设置，具体的区别还是看代码吧：

fig = plt.figure(figsize=(11,4))

pic1 = fig.add_subplot(121)
plt.hist([data,data1],bins = 10, color=["c","orange"],label=["data","data1"])  
plt.legend()
plt.title('hist函数中设置label参数')

pic2 = fig.add_subplot(122)
plt.hist([data,data1],bins = 10, color=["c","orange"])  
plt.legend(["data","data1"])
plt.title('legend函数中设置label参数');

效果是一样的。

stacked参数

这个参数的字面意思也很直观，表示是否要堆叠，接收布尔值。需要注意的是如果绘图只用了一个数据集，那么这个参数无论设置成什么都没有影响，如果要堆叠至少需要两个数据集才能显示出区别：

fig = plt.figure(figsize=(9,4))

pic1 = fig.add_subplot(121)
plt.hist([data,data1],stacked=False)  #默认多组数据并列排列
plt.title('stacked默认"False"')

pic2 = fig.add_subplot(122)
plt.hist([data,data1],stacked=True)  #多组数据彼此堆叠
plt.title('stacked=True"');

区别是不是很明显了，堆叠的意思也容易理解了对不对？

以上就是直方图函数所有参数的设置讲解，希望能够帮助大家能够全面的掌握如何绘制一个符合实际需求的直方图。