使用 Matplotlib 绘制 Python 中的二维直方图
原文:https://www.geesforgeks.org/plot-2-d-直方图-in-python-using-matplotlib/
2D 直方图用于分析数值范围较广的两个数据变量之间的关系。2D 直方图与 1D 直方图非常相似。数据集的类间隔绘制在 x 轴和 y 轴上。与 1D 直方图不同，它是通过包含 x 和 y 间隔内出现的值的组合总数，并标记密度来绘制的。当离散分布中有大量数据时，它很有用，并且通过可视化变量密集的频率点来简化它。
创建 2D 直方图
Matplotlib 库提供了一个内置函数matplotlib.pyplot.hist2d()，用于创建 2D 直方图。下面是函数的语法:
matplotlib.pyplot.hist2d(x，y，bin =(NX，ny)，范围=无，密度=假，权重=无，cmin =无，cmax =无，cmap =值)
这里(x, y)指定数据变量的坐标，X 数据和 Y 变量的长度应该相同。箱的数量可以通过属性bins=(nx, ny)来指定，其中nx和ny分别是要在水平和垂直方向上使用的箱的数量。cmap=value用于设置色标。range=None是一个可选参数，用于设置矩形区域，在该区域中数据值被计算用于绘图。density=value是可选参数，接受用于归一化直方图的布尔值。
下面的代码使用具有一些随机 x 和 y 值的matplotlib.pyplot.hist2d()函数创建了一个简单的 2D 直方图:
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
n = 100
x = np.random.standard_normal(n)
y = 3.0 * x
fig = plt.subplots(figsize =(10, 7))
# Creating plot
plot.hist2d(x, y)
plot.title("Simple 2D Histogram")
# show plot
plot.show()
输出:
自定义 2D 直方图
matplotlib.pyplot.hist2d()功能有多种方法，我们可以使用这些方法来定制和创建绘图，以便更好地查看和理解。
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
x = np.random.normal(size = 500000)
y = x * 3 + 4 * np.random.normal(size = 500000)
fig = plt.subplots(figsize =(10, 7))
# Creating plot
plot.hist2d(x, y)
plot.title("Simple 2D Histogram")
# show plot
plot.show()
输出:
上图的一些定制如下:
改变箱柜秤
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
x = np.random.normal(size = 500000)
y = x * 3 + 4 * np.random.normal(size = 500000)
# Creating bins
x_min = np.min(x)
x_max = np.max(x)
y_min = np.min(y)
y_max = np.max(y)
x_bins = np.linspace(x_min, x_max, 50)
y_bins = np.linspace(y_min, y_max, 20)
fig, ax = plt.subplots(figsize =(10, 7))
# Creating plot
plt.hist2d(x, y, bins =[x_bins, y_bins])
plt.title("Changing the bin scale")
ax.set_xlabel('X-axis')
ax.set_ylabel('X-axis')
# show plot
plt.tight_layout()
plot.show()
输出:
更改色标并添加颜色条:-
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
x = np.random.normal(size = 500000)
y = x * 3 + 4 * np.random.normal(size = 500000)
# Creating bins
x_min = np.min(x)
x_max = np.max(x)
y_min = np.min(y)
y_max = np.max(y)
x_bins = np.linspace(x_min, x_max, 50)
y_bins = np.linspace(y_min, y_max, 20)
fig, ax = plt.subplots(figsize =(10, 7))
# Creating plot
plt.hist2d(x, y, bins =[x_bins, y_bins], cmap = plt.cm.nipy_spectral)
plt.title("Changing the color scale and adding color bar")
# Adding color bar
plt.colorbar()
ax.set_xlabel('X-axis')
ax.set_ylabel('X-axis')
# show plot
plt.tight_layout()
plot.show()
输出:
过滤数据:-
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
x = np.random.normal(size = 500000)
y = x * 3 + 4 * np.random.normal(size = 500000)
# Creating bins
x_min = np.min(x)
x_max = np.max(x)
y_min = np.min(y)
y_max = np.max(y)
x_bins = np.linspace(x_min, x_max, 50)
y_bins = np.linspace(y_min, y_max, 20)
# Creating data filter
data = np.c_[x, y]
for i in range(10000):
x_idx = random.randint(0, 500000)
data[x_idx, 0] = -9999
data = data[data[:, 0]!=-9999]
fig, ax = plt.subplots(figsize =(10, 7))
# Creating plot
plt.hist2d(data[:, 0], data[:, 1], bins =[x_bins, y_bins])
plt.title("Filtering data")
ax.set_xlabel('X-axis')
ax.set_ylabel('X-axis')
# show plot
plt.tight_layout()
plot.show()
输出:
使用 matplotlib hexbin 函数:-
# Import libraries
import numpy as np
import matplotlib.pyplot as plt
import random
# Creating dataset
x = np.random.normal(size = 500000)
y = x * 3 + 4 * np.random.normal(size = 500000)
fig, ax = plt.subplots(figsize =(10, 7))
# Creating plot
plt.title("Using matplotlib hexbin function")
plt.hexbin(x, y, bins = 50)
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
# show plot
plt.tight_layout()
plot.show()
输出:
