Python数据分析与挖掘——使⽤Matplotlib绘制直⽅图1. 使⽤hist绘制频数直⽅图
在Matplotlib中有⼀个专门绘制直⽅图的函数hist()，⽤来显⽰⼀组数据的分布情况。
使⽤hist()函数，⽆需对数据进⾏分拣整理，即可⾃动⽣成直⽅图。使⽤格式如下：
plt.hist(x, bins)
# 参数名基于官⽅⽂档声明
参数x：⽤于绘制直⽅图的⼀维数组，列表或者DataFrame的列向量形式。
参数bins：分两种情况：
（1）⼀个整数，按照数组的最⼩取值范围（即以数组的最⼩值和最⼤值作为区间的两端点）均匀分为若⼲组。
（2）数字列表，以列表的各个数字作为分组的边界点。
例如，随机⽣成⼀个含有1000个元素的服从标准正态分布的数组，绘制直⽅图，代码如下：
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt # 导⼊图像库
plt.figure(figsize=(7,5))
data = np.random.randn(1000) # 1000个服从标准正态分布的随机数
plt.hist(data, 10) # 分成10组，结果如图1
plt.show()
# div = [-4, -3.5, -3, ..., 3, 3.5, 4]
div = []
x = -4
while x <= 4:
div.append(x)
x += 0.5
plt.hist(data, div) # 指定分界点，结果如图2
plt.show()
得到的直⽅图如下：
图1
图2
2. 绘制频率直⽅图
Matplotlib中的hist()函数，实际上是在统计落在各区间的数据个数（相当于放置了若⼲个桶，把这些数据按照所落在的区间分别放进相应的桶内）并⽣成直⽅图，因此纵坐标是频数。
如果要绘制同样的直⽅图，但是要把纵坐标表⽰成频率或者频率与各组间距之⽐，需要先对数据进⾏分拣处理，然后以条形图（bar）形式输出结果。
以条形图的形式输出，有两种⽅式：
（1）直接⽤plt.bar()函数，使⽤格式：
plt.bar(x, height)
茶馆的读后感# 参数名基于官⽅⽂档声明
x为横坐标的标签，height为纵坐标的数值，⼆者均为列表或者DataFrame的列向量，且相同下标⼀⼀对应。
长江怎么画>先锋镇
（2）封装成DataFrame对象后使⽤内置⽅法plot()，并指定kind参数为“bar”。只能使⽤该DataFrame对象中指定的⼀列数据，并且要在封装对象时指定索引列，以索引列作为横坐标的标签。使⽤格式：
幻璃镜
df[col].plot(kind = "bar")
对于上⼀节的例⼦，采⽤plt.bar()函数绘制直⽅图的代码如下：
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt # 导⼊图像库
plt.figure(figsize=(18,5))
data = np.random.randn(1000) # 1000个服从正态分布的随机数
# div = [-4, -3.5, -3, ..., 3, 3.5, 4]
div = [-4]
x = [] # 横坐标，分组
y = [] # 纵坐标，频率，初始化为与分组同等数量的0
i = -3.5
j = 1
while i <= 4:
div.append(i)
x.append("["+str(div[j-1])+","+str(div[j])+")")
y.append(0)
i += 0.5
j += 1
有效沟通
# 分拣数据
莲藕花生for item in data:
的用英语怎么说
for i in range(0, len(div) - 1):
if item >= div[i] and item < div[i + 1]:
y[i] += 1
break
# 转换为频率
for i in range(len(y)):
y[i] = round(y[i] / 1000, 3) * 100 # 化为百分⽐
plt.bar(x, y)
plt.xlabel("分组")
plt.ylabel(r"频率/%")
plt.show()
如果封装成DataFrame对象，使⽤内置⽅法plot()并指定kind参数为“bar”，则上⾯代码的后四⾏应改为：
import pandas as pd
df = pd.DataFrame(y, index=x)
df.plot(kind="bar")
plt.xlabel("分组")
20年后的我
plt.ylabel(r"频率/%")
plt.show()
结果如图3：（此为采⽤第⼀种⽅法得到的结果，第⼆种⽅法得到的形状相同，只是横坐标的标签逆时针旋转90度）
图3
3. 绘制频率分布直⽅图（纵轴为频率/组距）
将上⼀节绘制直⽅图的代码“# 转换为频率”以下的部分改成下列代码，即可将纵轴设置为频率与各分组间距之⽐，即频率分布直⽅图：
# 转换为频率/组距
for i in range(len(y)):
y[i] = round(y[i] / 1000 / 0.5, 3) # 频率/组距，保留三位⼩数
plt.bar(x, y)
plt.xlabel("分组")
plt.ylabel("频率/组距")
plt.show()
# 转换为频率/组距
for i in range(len(y)):
y[i] = round(y[i] / 1000 / 0.5, 3) # 频率/组距，保留三位⼩数
df = pd.DataFrame(y, index=x)
df.plot(kind="bar")
plt.xlabel("分组")
plt.ylabel("频率/组距")
plt.show()
结果如图4：
图4
