Введение
Этот практикум представляет собой пошаговое руководство по использованию библиотеки Python Matplotlib для создания гистограммы. Гистограмма - это графическое представление распределения числовых данных. Она представляет собой оценку распределения вероятностей непрерывной переменной.
Советы по работе с ВМ
После запуска ВМ перейдите в левый верхний угол и переключитесь на вкладку Notebook, чтобы приступить к практике с Jupyter Notebook.
Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook полностью загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.
Если вы столкнетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.
Импортируем необходимые библиотеки
В этом шаге мы импортируем две библиотеки: numpy и matplotlib. Numpy - это библиотека для языка программирования Python, которая добавляет поддержку больших многомерных массивов и матриц. Matplotlib - это библиотека для построения графиков для языка программирования Python.
import numpy as np
import matplotlib.pyplot as plt
Генерируем примерные данные
В этом шаге мы сгенерируем примерные данные с использованием numpy. Мы сгенерируем случайные данные из нормального распределения с математическим ожиданием 100 и стандартным отклонением 15.
np.random.seed(19680801)
mu = 100 ## mean of distribution
sigma = 15 ## standard deviation of distribution
x = mu + sigma * np.random.randn(437)
Создаем гистограмму
В этом шаге мы создадим гистограмму с использованием matplotlib. Мы установим количество интервалов в 50 и включим параметр density для нормализации высоты интервалов, чтобы интеграл гистограммы был равен 1.
num_bins = 50
fig, ax = plt.subplots()
n, bins, patches = ax.hist(x, num_bins, density=True)
Добавляем линию наилучшего соответствия
В этом шаге мы добавим линию наилучшего соответствия к гистограмме. Мы вычислим значения y для линии и построим ее поверх гистограммы.
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
np.exp(-0.5 * (1 / sigma * (bins - mu))**2))
ax.plot(bins, y, '--')
Настраиваем гистограмму
В этом шаге мы настроим гистограмму, добавив подписи, заголовок и настроив макет.
ax.set_xlabel('Smarts')
ax.set_ylabel('Probability density')
ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')
fig.tight_layout()
plt.show()
Резюме
В этом практическом занятии мы узнали, как использовать библиотеку Python Matplotlib для создания гистограммы. Мы сгенерировали примерные данные из нормального распределения и создали гистограмму с использованием matplotlib. Мы также добавили линию наилучшего соответствия и настроили гистограмму, добавив подписи и заголовок.