直方图
直方图用来绘制数字变量的分布情况。它是条形图的定量版本。但是，我们不再为每个独特数字值绘制一个长条，而是将值分成连续的分箱，并针对每个分箱绘制一个长条，用于描绘相关数字。例如，使用 matplotlib 的 hist 函数的默认设置：
plt.hist(data = df, x = 'num_var')
image.png
可以看出，在最左侧的分箱（约为 0 到 2.5 之间）中有 8 个数据点，在相邻分箱（约为 2.5 到 5 之间）中有 9 个数据点。总体来说，可以看出是一个双峰分布。直方图中的长条直接相连，而条形图中的长条是分开的，表明在直方图中数据的值处在连续范围内。如果某个数据值位于分箱边缘，则属于右侧分箱。例外情况是最右侧的分箱边缘，将上限的值放入最右侧的分箱内（上限的左侧）。
默认情况下，hist 函数会根据值的范围将数据分成 10 个分箱。在几乎所有情况下，我们都需要更改这一设置。通常，只有 10 个分箱太少了，无法了解数据的分布情况。并且默认的刻度并没有采用很容易解释分箱范围的近似值。如果在上述示例中，将“约为 0 到 2.5 之间”说成“0 到 2.5 之间”并将“约为 2.5 到 5 之间”说成“2.5 到 5 之间”，是不是更方便？
你可以使用描述统计学（例如通过 df['num_var'].describe()）估测什么样的分箱下限和分箱上限比较合适。可以使用 numpy 的 arange 函数设置这些分箱边缘：
bin_edges = np.arange(0, df['num_var'].max()+1, 1)
plt.hist(data = df, x = 'num_var', bins = bin_edges)
arange 的第一个参数是最左侧的分箱边缘，第二个参数是上限，第三个参数是分箱宽度。注意，即使我在第二个参数中指定了“max”值，我添加了“+1”（分箱宽度）。这是因为 arange 将仅返回完全小于上限的值。加上“+1”可有效地确保左右侧的分箱边缘至少是最大数据值，以便所有数据点都能绘制出来。最左侧的分箱设为硬编码的值，以便获得可解释的值，当然你也可以使用 numpy 的 around 等函数以程序方式达到这种效果。
image.png
在创建直方图时，有必要尝试不同的分箱宽度，看看哪个宽度最能表示数据。如果分箱太多，可能会发现太多噪点，干扰我们发现数据蕴含的规律。如果分箱太少，则根本无法看出真正的规律。
plt.figure(figsize = [10, 5]) # larger figure size for subplots
# histogram on left, example of too-large bin size
plt.subplot(1, 2, 1) # 1 row, 2 cols, subplot 1
bin_edges = np.arange(0, df['num_var'].max()+4, 4)
plt.hist(data = df, x = 'num_var', bins = bin_edges)
# histogram on right, example of too-small bin size
plt.subplot(1, 2, 2) # 1 row, 2 cols, subplot 2
bin_edges = np.arange(0, df['num_var'].max()+1/4, 1/4)
plt.hist(data = df, x = 'num_var', bins = bin_edges)
该示例通过 subplot 函数将两个图形并排地放到一起，函数的参数指定了有效子图的行数、列数和索引。figure() 函数在调用时传入了 "figsize" 参数，以便我们能够绘制更大的图形并包含多个子图。
image.png
替代方法
seaborn 函数 distplot 也可以用于绘制直方图，并且与其他单变量绘图函数集成到一起。
sb.distplot(df['num_var'])
注意，第一个参数必须是 Series 或数组，其中包含要绘制的数据点，而不是指定数据来源和列。
image.png
distplot 函数具有指定直方图分箱的内置规则，默认情况下，会在数据上方绘制一个 (KDE) 核密度估计。纵轴基于 KDE，而不是直方图：长条的高度之和不一定等于 1，但是曲线下方的面积应该等于 1。如果你想详细了解 KDE，请参阅这节课末尾的补充内容。
虽然默认的 distplot 分箱尺寸可能比固定的 .hist = 10 更合适，但是你依然需要进行调整，使分箱尺寸等于四舍五入的值。你可以使用其他参数设置绘制直方图并像之前一样指定分箱：
bin_edges = np.arange(0, df['num_var'].max()+1, 1)
sb.distplot(df['num_var'], bins = bin_edges, kde = False,
hist_kws = {'alpha' : 1})
alpha（透明度）设置必须当做字典与 "hist_kws" 关联，因为还有其他底层绘图函数（例如 KDE）具有自己的可选关键字参数。
image.png
上述代码的结果和上述分箱宽度为 1 的直方图完全一样。纵轴的单位也以计数的形式出现了。
总之，如果你只想了解数据的直方图分布情况，而不是 distplot 提供的额外信息，则为了简便，建议只使用 Matplotlib 的 hist 函数。另一方面，如果你想快速了解如何为直方图选择代表性的分箱尺寸，建议在自定义之前，先快速查看下基本的 distplot。
网友评论