Руководство по гистограммам в Python Matplotlib

PythonPythonBeginner
Практиковаться сейчас

This tutorial is from open-source community. Access the source code

💡 Этот учебник переведен с английского с помощью ИИ. Чтобы просмотреть оригинал, вы можете перейти на английский оригинал

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.