【📊plt.pie绘制直方图】：从入门到精通，只需一篇文章！【Matplotlib可视化】！

利用Matplotlib进行数据可视化示例

---

📈 一、引言

  数据可视化是数据分析和机器学习领域不可或缺的一部分。其中，直方图作为一种简单而直观的数据展示方式，常被用于展示数据的分布情况。在Python的Matplotlib库中，plt.hist()函数是实现直方图绘制的强大工具。本文将从入门到精通，带领大家全面了解plt.hist()函数的使用方法和技巧。

🔍 二、plt.hist()函数基础

plt.hist()函数的基本语法如下：

plt.histhist(x, bins=None, range=None, density=False, weights=None,cumulative=False,bottom=None, histtype='bar', align='mid',orientation='vertical',rwidth=None, log=False, color=None,label=None, stacked=False,data=None)

参数解释：

• x：需要绘制直方图的数据，可以是一维数组或列表。
• bins：指定直方图的柱子数量或边界，默认为10。也可以是一个数组，指定每个柱子的边界。
• color：指定柱子的颜色。
• alpha：指定柱子的透明度，取值范围为0~1。
• edgecolor：指定柱子的边框颜色。
• linewidth：指定柱子的边框线宽。

💡 示例代码：

import matplotlib.pyplot as plt
import numpy as np# 生成随机数据
data = np.random.randn(1000)# 绘制直方图
plt.hist(data, bins=20, color='skyblue', alpha=0.7, edgecolor='black', linewidth=1)# 设置标题和轴标签
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')# 显示图形
plt.show()

  以上代码将生成一个包含20个柱子的直方图，展示随机数据的分布情况。柱子的颜色为淡蓝色，透明度为0.7，边框颜色为黑色，边框线宽为1。

🎉 效果展示

Fig.1 使用plt.hist()函数绘制直方图

🎨 三、plt.hist()进阶技巧

1. 自定义直方图外观

  当使用plt.hist()绘制直方图时，你可能想要进一步自定义其外观，以使其更加符合你的需求或更好地融入你的报告中。以下是一些自定义直方图外观的示例代码，并附有详细注释：

# 导入matplotlib的pyplot模块，用于绘图  
import matplotlib.pyplot as plt
# 导入numpy库，用于数值计算  
import numpy as np# 定义一个名为CustomHistogram的类，用于创建定制化的直方图
class CustomHistogram:# 初始化方法，在创建类实例时调用  def __init__(self, data, bins=30, color='skyblue', alpha=0.7, edgecolor='black', linewidth=1, title='', xlabel='',ylabel='', xlim=None, ylim=None, grid=False, save_to_file=None):# 设置数据  self.data = data# 设置直方图的柱子数量，默认为30  self.bins = bins# 设置柱子的颜色，默认为天蓝色  self.color = color# 设置柱子的透明度，默认为0.7  self.alpha = alpha# 设置柱子边缘颜色，默认为黑色  self.edgecolor = edgecolor# 设置柱子边缘线宽，默认为1  self.linewidth = linewidth# 设置图表标题  self.title = title# 设置x轴标签  self.xlabel = xlabel# 设置y轴标签  self.ylabel = ylabel# 设置x轴显示范围，默认为None，即不限制  self.xlim = xlim# 设置y轴显示范围，默认为None，即不限制  self.ylim = ylim# 设置是否显示网格线，默认为False  self.grid = grid# 设置保存图表的文件路径，默认为None，即不保存  self.save_to_file = save_to_file# 设置图例标签列表，默认为空  self.legend_labels = []# 设置字体属性，包括字体族、大小、粗细  self.font_properties = {'family': 'Arial', 'size': 12, 'weight': 'normal'}# 绘制直方图的方法def plot(self):# 绘制直方图  plt.hist(self.data, bins=self.bins, color=self.color, alpha=self.alpha, edgecolor=self.edgecolor,linewidth=self.linewidth)# 设置图表标题，并设置字体大小和粗细  plt.title(self.title, fontsize=self.font_properties['size'], fontweight='bold')# 设置x轴标签，并设置字体大小  plt.xlabel(self.xlabel, fontsize=self.font_properties['size'])# 设置y轴标签，并设置字体大小  plt.ylabel(self.ylabel, fontsize=self.font_properties['size'])# 设置x轴和y轴刻度标签的字体大小  plt.tick_params(axis='both', which='major', labelsize=self.font_properties['size'])# 如果设置了x轴显示范围，则限制x轴显示范围  if self.xlim is not None:plt.xlim(self.xlim)# 如果设置了y轴显示范围，则限制y轴显示范围if self.ylim is not None:plt.ylim(self.ylim)# 调用customize_axes方法定制坐标轴样式self.customize_axes()# 如果设置了显示网格线，则添加网格线  if self.grid:self.add_grid()# 如果设置了图例标签，则添加图例if self.legend_labels:self.add_legend(self.legend_labels)# 如果设置了保存文件路径，则保存图表到文件if self.save_to_file:self.save_chart(self.save_to_file)# 显示图表plt.show()# 定制坐标轴样式的方法def customize_axes(self):# 隐藏顶部的边框  plt.gca().spines['top'].set_visible(False)# 隐藏右侧的边框  plt.gca().spines['right'].set_visible(False)# 设置x轴刻度位置在底部  plt.gca().xaxis.set_ticks_position('bottom')# 设置y轴刻度位置在左侧  plt.gca().yaxis.set_ticks_position('left')# 添加网格线的方法def add_grid(self):# 添加y轴网格线，并设置透明度plt.grid(axis='y', alpha=0.75, linestyle='--')# 添加图例的方法def add_legend(self, labels):# 添加图例，传入图例标签列表plt.legend(labels)# 保存图表到文件的方法def save_chart(self, file_path):# 保存图表到指定文件路径plt.savefig(file_path)# 示例用法
if __name__ == "__main__":# 生成一些随机数据data = np.random.randn(1000)# 创建一个CustomHistogram实例histogram = CustomHistogram(data, bins=50, color='lightblue', alpha=0.6, edgecolor='black', linewidth=1.2,title='Customized Histogram', xlabel='Value', ylabel='Frequency',xlim=(-4, 4), ylim=(0, 60), grid=True, save_to_file='custom_histogram.png')# 绘制直方图histogram.plot()

  以上代码定义了一个名为CustomHistogram的类，用于创建并绘制定制化的直方图。类初始化时接收一系列参数，包括数据、直方图的柱子数量、颜色、透明度、边缘颜色、线宽、图表标题、轴标签、轴显示范围、是否显示网格线、保存文件路径等。类中有几个方法，分别用于绘制直方图、定制坐标轴样式、添加网格线、添加图例和保存图表到文件。

  在示例用法部分，代码生成了一些随机数据，然后创建了一个CustomHistogram的实例，并传入了一些定制参数。最后，调用plot方法绘制并显示了直方图，并且将其保存为名为custom_histogram.png的文件。

🎉 效果展示

Fig.2 使用plt.hist()函数自定义直方图的外观

2. 多组数据在同一张直方图上展示

  如果有多组数据需要展示，我们可以将它们绘制在同一张直方图上。通过传递多个数据序列给plt.hist()函数，并设置不同的柱子颜色，可以清晰地展示多组数据的分布情况，示例代码如下：

# 导入matplotlib.pyplot模块，用于绘图
import matplotlib.pyplot as plt
# 导入numpy模块，用于处理数组和数学运算
import numpy as np# 使用numpy生成两组随机数据
# data1是从标准正态分布中抽取的1000个随机数，并加上1作为偏移量
data1 = np.random.randn(1000) + 1
# data2是从标准正态分布中抽取的1000个随机数，并减去1作为偏移量
data2 = np.random.randn(1000) - 1# 使用plt.hist函数绘制直方图
# 参数说明：
#   - [data1, data2]：要绘制的数据，这里有两组数据
#   - bins=30：将数据分为30个直方柱
#   - color=['#add8e6', '#ffa500']：设置直方柱的颜色，分别为浅天蓝色和橙色
#   - alpha=0.7：设置直方柱的透明度
#   - label=['Data Group 1', 'Data Group 2']：为每个数据组设置标签
#   - edgecolor='black'：设置直方柱的边缘颜色为黑色
#   - linewidth=1：设置直方柱的边缘线宽
plt.hist([data1, data2], bins=30, color=['#add8e6', '#ffa500'], alpha=0.7, label=['Data Group 1', 'Data Group 2'],edgecolor='black', linewidth=1)# 添加网格线到图表上，仅对y轴添加网格线，并设置透明度为0.75
plt.grid(axis='y', alpha=0.75)# 设置x轴的标签，标签内容为'Value'，字体大小为12，颜色为暗红色
plt.xlabel('Value', fontsize=12, color='darkred')
# 设置y轴的标签，标签内容为'Frequency'，字体大小为12，颜色为暗红色
plt.ylabel('Frequency', fontsize=12, color='darkred')# 设置图表的标题，标题内容为'Histogram Comparison of Two Data Groups'，字体大小为14，颜色为暗红色
plt.title('Histogram Comparison of Two Data Groups', fontsize=14, color='darkred')# 计算两组数据的均值和中位数
mean1, median1 = np.mean(data1), np.median(data1)
mean2, median2 = np.mean(data2), np.median(data2)# 在图表上添加文本，显示第一组数据的统计信息
# 参数说明：
#   - 0.75, 0.95：文本在图上的位置
#   - f'Data Group 1:\nMean: {mean1:.2f}\nMedian: {median1:.2f}'：要显示的文本内容，包括均值和中位数
#   - transform=plt.gca().transAxes：设置文本的位置参考坐标系为图的相对坐标系
#   - fontsize=10：设置文本字体大小
#   - verticalalignment='top'：设置文本垂直对齐方式为顶部对齐
#   - bbox：设置文本的边框样式和颜色
plt.text(0.75, 0.95, f'Data Group 1:\nMean: {mean1:.2f}\nMedian: {median1:.2f}',transform=plt.gca().transAxes, fontsize=10, verticalalignment='top',bbox=dict(boxstyle='round', facecolor='lightblue', alpha=0.5))# 在图表上添加文本，显示第二组数据的统计信息
# 参数与上面类似，只是位置和文本内容有所不同
plt.text(0.75, 0.70, f'Data Group 2:\nMean: {mean2:.2f}\nMedian: {median2:.2f}',transform=plt.gca().transAxes, fontsize=10, verticalalignment='top',bbox=dict(boxstyle='round', facecolor='lightyellow', alpha=0.5))# 调整图例的位置到图表的左上角
plt.legend(loc='upper left')# 显示图表
plt.show()# 将图表保存为名为'histogram_comparison.png'的图片文件，并设置分辨率为300dpi
plt.savefig('histogram_comparison.png', dpi=300)

🎉 效果展示

Fig.3 使用plt.hist()将多组数据在同一张直方图上展示

📚 四、参考文档|相关链接

1. 专栏：Matplotlib之旅：零基础精通数据可视化(希望可以帮助你快速上手Matplotlib)
2. Matplotlib初探：认识数据可视化与Matplotlib
3. 数据分析利器对决：Matplotlib中的MATLAB风格与面向对象风格，你选谁？
4. 【plt.colorbar添加颜色条】：从入门到精通，只需一篇文章！【Matplotlib】
5. 【plt.bar绘制条形图or柱状图】：从入门到精通，只需一篇文章！【Matplotlib可视化】
6. 【plt.pie绘制饼图】：从入门到精通，只需一篇文章！【Matplotlib可视化】
7. 【plt.imshow显示图像】：从入门到精通，只需一篇文章！【Matplotlib】

🌳 五、结尾

  亲爱的读者，感谢您每一次停留和阅读，这是对我们最大的支持和鼓励！🙏在茫茫网海中，您的关注让我们深感荣幸。您的独到见解和建议，如明灯照亮我们前行的道路。🌟若在阅读中有所收获，一个赞或收藏，对我们意义重大。

  我们承诺，会不断自我挑战，为您呈现更精彩的内容。📚有任何疑问或建议，欢迎在评论区畅所欲言，我们时刻倾听。💬让我们携手在知识的海洋中航行，共同成长，共创辉煌！🌱🌳感谢您的厚爱与支持，期待与您共同书写精彩篇章！

  您的点赞👍、收藏🌟、评论💬和关注💖，是我们前行的最大动力！