数据挖掘与数据分析|Python数据可视化的例子——直方图（hist）和核密度曲线（kde）数据分析|数据可视化|python

直方图一般用来观察数据的分布形态，横坐标代表数值的均匀分段，纵坐标代表每个段内的观测数量（频数）。一般直方图都会与核密度图搭配使用，目的是更加清晰地掌握数据的分布特征，下面将详细介绍该类型图形的绘制。
1．matplotlib模块 matplotlib模块中的hist函数就是用来绘制直方图的。关于该函数的语法及参数含义如下：

plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

x：指定要绘制直方图的数据。
bins：指定直方图条形的个数。
range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值。
normed：是否将直方图的频数转换成频率。
weights：该参数可为每一个数据点设置权重。
cumulative：是否需要计算累计频数或频率。
bottom：可以为直方图的每个条形添加基准线，默认为0。
histtype：指定直方图的类型，默认为bar，除此之外，还有barstacked、step和stepfilled。
align：设置条形边界值的对齐方式，默认为mid，另外还有left和right。
orientation：设置直方图的摆放方向，默认为垂直方向。
rwidth：设置直方图条形的宽度。
log：是否需要对绘图数据进行log变换。
color：设置直方图的填充色。
edgecolor：设置直方图边框色。
label：设置直方图的标签，可通过legend展示其图例。
stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放。

这里不妨以Titanic数据集为例绘制乘客的年龄直方图，具体代码如下：

import pandas as pd import matplotlib.pyplot as plt # 读入数据 Titanic = pd.read_excel(r'泰坦尼克号乘客年龄分布.xlsx') # 检查年龄是否有缺失 any(Titanic.Age.isnull()) # 不妨删除含有缺失年龄的观察 Titanic.dropna(subset=['Age'], inplace=True) #设置绘图风格 plt.style.use('ggplot') #处理中文乱码 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] #坐标轴负号的处理 plt.rcParams['axes.unicode_minus']=False # 绘制直方图 plt.hist(x = Titanic.Age, # 指定绘图数据 bins = 20, # 指定直方图中条块的个数 color = 'steelblue', # 指定直方图的填充色 edgecolor = 'black' # 指定直方图的边框色 ) # 添加x轴和y轴标签 plt.xlabel('年龄') plt.ylabel('频数') # 添加标题 plt.title('泰坦尼克号乘客年龄分布') # 显示图形 plt.show()

运行结果：

数据挖掘与数据分析|Python数据可视化的例子——直方图（hist）和核密度曲线（kde）

文章图片

如上图所示，就是关于乘客年龄的直方图分布。需要注意的是，如果原始数据集中存在缺失值，一定要对缺失观测进行删除或替换，否则无法绘制成功。如果在直方图的基础上再添加核密度图，通过matplotlib模块就比较吃力了，因为首先得计算出每一个年龄对应的核密度值。为了简单起见，下面利用pandas模块中的plot方法将直方图和核密度图绘制到一起。
2．pandas模块

import pandas as pd import matplotlib.pyplot as plt # 读入数据 Titanic = pd.read_excel(r'泰坦尼克号乘客年龄分布.xlsx') # 检查年龄是否有缺失 any(Titanic.Age.isnull()) # 不妨删除含有缺失年龄的观察 Titanic.dropna(subset=['Age'], inplace=True) #设置绘图风格 plt.style.use('ggplot') #处理中文乱码 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] #坐标轴负号的处理 plt.rcParams['axes.unicode_minus']=False # 绘制直方图 Titanic.Age.plot(kind = 'hist', bins = 20, color = 'steelblue', edgecolor = 'black', density = True, label = '直方图') # 绘制核密度图 Titanic.Age.plot(kind = 'kde', color = 'red', label = '核密度图') # 添加x轴和y轴标签 plt.xlabel('年龄') plt.ylabel('频数') # 添加标题 plt.title('泰坦尼克号乘客年龄分布') # 显示图例 plt.legend() # 显示图形 plt.show()

文章图片

如上图所示，Python的核心代码就两行，分别是利用plot方法绘制直方图和核密度图。需要注意的是，在直方图的基础上添加核密度图，必须将直方图的频数更改为频率，即normed（新版本为density）参数设置为True。
3．seaborn模块尽管上一幅图满足了两种图形的合成，但其表达的是所有乘客的年龄分布，如果按性别分组，研究不同性别下年龄分布的差异，该如何实现？针对这个问题，使用matplotlib模块或pandas模块都会稍微复杂一些，推荐使用seaborn模块中的distplot函数，因为该函数的代码简洁而易懂。关于该函数的语法和参数含义如下：

sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

a：指定绘图数据，可以是序列、一维数组或列表。
bins：指定直方图条形的个数。
hist：bool类型的参数，是否绘制直方图，默认为True。
kde：bool类型的参数，是否绘制核密度图，默认为True。
rug：bool类型的参数，是否绘制须图（如果数据比较密集，该参数比较有用），默认为False。
fit：指定一个随机分布对象（需调用scipy模块中的随机分布函数），用于绘制随机分布的概率密度曲线。
hist_kws：以字典形式传递直方图的其他修饰属性，如填充色、边框色、宽度等。
kde_kws：以字典形式传递核密度图的其他修饰属性，如线的颜色、线的类型等。
rug_kws：以字典形式传递须图的其他修饰属性，如线的颜色、线的宽度等。
fit_kws：以字典形式传递概率密度曲线的其他修饰属性，如线条颜色、形状、宽度等。
color：指定图形的颜色，除了随机分布曲线的颜色。
vertical：bool类型的参数，是否将图形垂直显示，默认为True。（改为False即为horizontal）
norm_hist：bool类型的参数，是否将频数更改为频率，默认为False。
axlabel：用于显示轴标签。 label：指定图形的图例，需结合plt.legend()一起使用。
ax：指定子图的位置。
从函数的参数可知，通过该函数，可以实现三种图形的合成，分别是直方图（hist参数）、核密度曲线（kde参数）以及指定的理论分布密度曲线（fit参数）。接下来，针对如上介绍的distplot函数，绘制不同性别下乘客的年龄分布图，具体代码如下：

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 读入数据 Titanic = pd.read_excel(r'泰坦尼克号乘客年龄分布.xlsx') # 检查年龄是否有缺失 any(Titanic.Age.isnull()) # 不妨删除含有缺失年龄的观察 Titanic.dropna(subset=['Age'], inplace=True) #设置绘图风格 plt.style.use('ggplot') #处理中文乱码 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] #坐标轴负号的处理 plt.rcParams['axes.unicode_minus']=False # 取出男性年龄 Age_Male = Titanic.Age[Titanic.Sex == 'male'] # 取出女性年龄 Age_Female = Titanic.Age[Titanic.Sex == 'female']# seaborn模块绘制分组的直方图和核密度图 # 绘制男女乘客年龄的直方图 sns.distplot(Age_Male, bins = 20, kde = False, hist_kws = { 'color':'steelblue'}, label = '男性') # 绘制女性年龄的直方图 sns.distplot(Age_Female, bins = 20, kde = False, hist_kws = { 'color':'purple'}, label = '女性') plt.title('泰坦尼克号男女乘客的年龄直方图') plt.xlabel('年龄') plt.ylabel('频数') # 显示图例 plt.legend() # 显示图形 plt.show()# 绘制男女乘客年龄的核密度图 sns.distplot(Age_Male, hist = False, kde_kws = { 'color':'red', 'linestyle':'-'}, norm_hist = True, label = '男性') # 绘制女性年龄的核密度图 sns.distplot(Age_Female, hist = False, kde_kws = { 'color':'black', 'linestyle':'--'}, norm_hist = True, label = '女性') plt.title('泰坦尼克号男女乘客的年龄核密度图') plt.xlabel('年龄') plt.ylabel('核密度值') # 显示图例 plt.legend() # 显示图形 plt.show()

文章图片

文章图片

如图所示，为了避免四个图形混在一起不易发现数据背后的特征，将直方图与核密度图分开绘制。从直方图来看，女性年龄的分布明显比男性矮，说明在各年龄段下，男性乘客要比女性乘客多；再看核密度图，男女性别的年龄分布趋势比较接近，说明各年龄段下的男女乘客人数同步增加或减少。
把两种图合在一起画：
【注意】：直方图由频数改为频率

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 读入数据 Titanic = pd.read_excel(r'泰坦尼克号乘客年龄分布.xlsx') # 检查年龄是否有缺失 any(Titanic.Age.isnull()) # 不妨删除含有缺失年龄的观察 Titanic.dropna(subset=['Age'], inplace=True) #设置绘图风格 plt.style.use('ggplot') #处理中文乱码 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] #坐标轴负号的处理 plt.rcParams['axes.unicode_minus']=False # 取出男性年龄 Age_Male = Titanic.Age[Titanic.Sex == 'male'] # 取出女性年龄 Age_Female = Titanic.Age[Titanic.Sex == 'female']# seaborn模块绘制分组的直方图和核密度图 # 绘制男女乘客年龄的直方图 sns.distplot(Age_Male, bins = 20, kde = False, hist_kws = { 'color':'steelblue'}, label = ('男性','直方图'),norm_hist=True) # 绘制女性年龄的直方图 sns.distplot(Age_Female, bins = 20, kde = False, hist_kws = { 'color':'purple'}, label = ('女性','直方图'),norm_hist=True)# 绘制男女乘客年龄的核密度图 sns.distplot(Age_Male, hist = False, kde_kws = { 'color':'red', 'linestyle':'-'}, norm_hist = True, label = ('男性','核密度图')) # 绘制女性年龄的核密度图 sns.distplot(Age_Female, hist = False, kde_kws = { 'color':'black', 'linestyle':'--'}, norm_hist = True, label = ('女性','核密度图')) plt.title('泰坦尼克号男女乘客的年龄分布图') plt.xlabel('年龄') plt.ylabel('核密度值') # 显示图例 plt.legend() # 显示图形 plt.show()

【数据挖掘与数据分析|Python数据可视化的例子——直方图（hist）和核密度曲线（kde）】