Matplotlib-Histogrammdiagramme zeichnen

Einführung

In diesem Lab lernen wir, wie man mit Matplotlib Histogramme zeichnet. Wir werden Daten generieren und ein einfaches Histogramm zeichnen, die Farben des Histogramms aktualisieren, ein 2D-Histogramm zeichnen und unser Histogramm anpassen.

Tipps für die VM

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen von Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Daten generieren und ein einfaches Histogramm zeichnen

Um ein eindimensionales Histogramm zu generieren, benötigen wir nur einen einzigen Vektor von Zahlen. Für ein zweidimensionales Histogramm benötigen wir einen zweiten Vektor. Wir werden beide unten generieren und das Histogramm für jeden Vektor anzeigen.

import matplotlib.pyplot as plt
import numpy as np

## Erstellen eines Zufallszahlengenerators mit einem feste Seed für Wiederholbarkeit
rng = np.random.default_rng(19680801)

N_points = 100000
n_bins = 20

## Generieren von zwei Normalverteilungen
dist1 = rng.standard_normal(N_points)
dist2 = 0.4 * rng.standard_normal(N_points) + 5

fig, axs = plt.subplots(1, 2, sharey=True, tight_layout=True)

## Wir können die Anzahl der Bins mit dem Schlüsselwortargument *bins* festlegen.
axs[0].hist(dist1, bins=n_bins)
axs[1].hist(dist2, bins=n_bins)

plt.show()

Aktualisieren der Histogramm-Farben

Die histogram-Methode gibt (unter anderem) ein patches-Objekt zurück. Dies ermöglicht uns den Zugang zu den Eigenschaften der gezeichneten Objekte. Mit diesem können wir das Histogramm nach unseren Wünschen bearbeiten. Ändern wir die Farbe jeder Säule basierend auf ihrem y-Wert.

## N ist die Anzahl in jedem Bin, bins ist der untere Grenzwert des Bins
N, bins, patches = axs[0].hist(dist1, bins=n_bins)

## Wir werden die Farben nach der Höhe kodieren, aber Sie könnten auch jedes Skalar verwenden
fracs = N / N.max()

## Wir müssen die Daten auf den Bereich 0..1 normalisieren, um die volle Palette der Farbkarte zu nutzen
norm = colors.Normalize(fracs.min(), fracs.max())

## Nun durchlaufen wir unsere Objekte und setzen die Farbe jedes entsprechend
for thisfrac, thispatch in zip(fracs, patches):
    color = plt.cm.viridis(norm(thisfrac))
    thispatch.set_facecolor(color)

## Wir können unsere Eingaben auch durch die Gesamtanzahl der Zählungen normalisieren
axs[1].hist(dist1, bins=n_bins, density=True)

## Nun formatieren wir die y-Achse, um Prozentangaben anzuzeigen
axs[1].yaxis.set_major_formatter(PercentFormatter(xmax=1))

plt.show()

Zeichnen eines 2D-Histogramms

Um ein 2D-Histogramm zu zeichnen, benötigt man nur zwei Vektoren von gleicher Länge, die jeweils einer Achse des Histogramms entsprechen.

fig, ax = plt.subplots(tight_layout=True)
hist = ax.hist2d(dist1, dist2)

plt.show()

Anpassen Ihres Histogramms

Das Anpassen eines 2D-Histogramms ähnelt dem eindimensionalen Fall. Sie können visuelle Komponenten wie die Bin-Größe oder die Farbnormalisierung steuern.

fig, axs = plt.subplots(3, 1, figsize=(5, 15), sharex=True, sharey=True,
                        tight_layout=True)

## Wir können die Anzahl der Bins auf jeder Achse erhöhen
axs[0].hist2d(dist1, dist2, bins=40)

## Ebenso können wir die Normalisierung der Farben definieren
axs[1].hist2d(dist1, dist2, bins=40, norm=colors.LogNorm())

## Wir können auch benutzerdefinierte Bin-Zahlen für jede Achse definieren
axs[2].hist2d(dist1, dist2, bins=(80, 10), norm=colors.LogNorm())

plt.show()

Zusammenfassung

In diesem Lab haben wir gelernt, wie man mit Matplotlib Histogramme zeichnet. Wir haben Daten generiert und ein einfaches Histogramm gezeichnet, die Histogramm-Farben aktualisiert, ein 2D-Histogramm gezeichnet und unser Histogramm angepasst. Wir können diese Techniken verwenden, um Daten in verschiedenen Zusammenhängen zu visualisieren und zu analysieren.