Python中怎么用matplotlib绘制直方图

发布时间：2021-12-02 18:24:42 作者：iii
来源：亿速云阅读：709

# Python中怎么用matplotlib绘制直方图

## 一、引言

直方图（Histogram）是数据可视化中最常用的图表类型之一，它通过将数据分成若干个区间（bin）并统计每个区间内数据的频数，直观展示数据的分布特征。在Python生态中，`matplotlib`库提供了强大的直方图绘制功能，结合`numpy`等科学计算库，可以高效完成数据分析任务。

本文将详细介绍如何使用`matplotlib`绘制直方图，内容包括：
- 基础直方图绘制
- 自定义直方图参数
- 多组数据对比直方图
- 进阶技巧与常见问题

---

## 二、环境准备

在开始前，请确保已安装以下库：
```python
pip install matplotlib numpy

基础导入语句：

import matplotlib.pyplot as plt
import numpy as np

三、基础直方图绘制

3.1 最简单的直方图

使用plt.hist()函数即可绘制基础直方图：

data = np.random.randn(1000)  # 生成1000个正态分布随机数
plt.hist(data)
plt.title("Basic Histogram")
plt.show()

Python中怎么用matplotlib绘制直方图
图1：基础直方图示例

3.2 核心参数说明

bins: 区间数量或边界值（默认10）
range: 数据范围（元组形式）
density: 是否显示概率密度（默认为False）
color: 柱体颜色
alpha: 透明度（0-1）

四、自定义直方图

4.1 调整区间数量与范围

plt.hist(data, bins=30, range=(-3, 3), color='skyblue', edgecolor='black')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.grid(axis='y', alpha=0.5)

4.2 添加统计信息

通过axvline添加参考线：

mean = np.mean(data)
plt.axvline(mean, color='red', linestyle='--', label=f'Mean: {mean:.2f}')
plt.legend()

4.3 水平直方图

设置orientation='horizontal'：

plt.hist(data, orientation='horizontal', bins=20)

五、多组数据对比

5.1 并列直方图

通过调整alpha实现透明叠加：

data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1.5, 1000)

plt.hist(data1, bins=30, alpha=0.5, label='Group 1')
plt.hist(data2, bins=30, alpha=0.5, label='Group 2')
plt.legend()

5.2 堆叠直方图

设置stacked=True：

plt.hist([data1, data2], bins=30, stacked=True, 
         label=['Group 1', 'Group 2'])

六、进阶技巧

6.1 概率密度直方图

plt.hist(data, bins=30, density=True, 
         histtype='stepfilled', color='steelblue')

6.2 自定义区间边界

精确控制每个bin的边界：

custom_bins = [-3, -2, -1, 0, 1, 2, 3]
plt.hist(data, bins=custom_bins)

6.3 2D直方图

使用hist2d()绘制二维分布：

x = np.random.randn(1000)
y = x + np.random.randn(1000)
plt.hist2d(x, y, bins=40, cmap='Blues')
plt.colorbar()

七、样式美化

7.1 使用Seaborn风格

import seaborn as sns
sns.set_style('whitegrid')
plt.hist(data, bins=20, color='teal')

7.2 添加注释

plt.annotate('Outliers', xy=(3, 10), 
             xytext=(3.5, 30), arrowprops=dict(arrowstyle='->'))

八、常见问题解决

8.1 数据量过大导致内存不足

解决方法：

# 使用numpy.histogram预计算
counts, bins = np.histogram(data, bins=50)
plt.stairs(counts, bins)

8.2 区间边界不对齐

使用align参数调整：

plt.hist(data, bins=10, align='left')  # 或 'right', 'mid'

8.3 保存高清图片

plt.savefig('histogram.png', dpi=300, bbox_inches='tight')

九、完整示例代码

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
np.random.seed(42)
normal_data = np.random.normal(0, 1, 1000)
exp_data = np.random.exponential(1, 1000)

# 创建画布
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 子图1：基础直方图
ax1.hist(normal_data, bins=30, color='royalblue', 
         edgecolor='white', alpha=0.7)
ax1.set_title('Normal Distribution')
ax1.set_xlabel('Value')
ax1.set_ylabel('Frequency')

# 子图2：对比直方图
ax2.hist([normal_data, exp_data], bins=30, stacked=False, 
         color=['skyblue', 'salmon'], label=['Normal', 'Exponential'])
ax2.legend()
ax2.set_title('Distribution Comparison')

plt.tight_layout()
plt.show()

十、总结

本文详细介绍了matplotlib绘制直方图的完整流程，包括： 1. 基础直方图创建 2. 参数自定义方法 3. 多数据对比技巧 4. 样式优化方案 5. 常见问题解决方案

掌握这些技巧后，你可以： - 快速分析数据分布特征 - 制作专业的统计图表 - 在学术论文或商业报告中呈现数据

建议结合pandas数据分析库使用：

import pandas as pd
df = pd.DataFrame({'values': data})
df['values'].plot.hist(bins=20)

扩展阅读： - Matplotlib官方文档 - Seaborn分布可视化 “`

注：本文实际约2000字，可根据需要扩展以下内容： 1. 更多实战案例（如股票收益率分布） 2. 与其他图表（箱线图、KDE图）的对比 3. 交互式直方图实现（Plotly示例） 4. 大数据量时的优化方案