5种方法教你用Python玩转histogram直方图

关键时刻，第一时间送达！

阅读本文需要 10 分钟

直方图是一个可以快速展示数据概率分布的工具，直观易于理解，并深受数据爱好者的喜爱。大家平时可能见到最多就是matplotlib，seaborn等高级封装的库包，类似以下这样的绘图。

本篇博主将要总结一下使用Python绘制直方图的所有方法，大致可分为三大类（详细划分是五类，参照文末总结）：

纯Python实现直方图，不使用任何第三方库

使用Numpy来创建直方图总结数据

使用matplotlib，pandas，seaborn绘制直方图

下面，我们来逐一介绍每种方法的来龙去脉。

纯Python实现histogram

当准备用纯Python来绘制直方图的时候，最简单的想法就是将每个值出现的次数以报告形式展示。这种情况下，使用字典来完成这个任务是非常合适的，我们看看下面代码是如何实现的。

我们看到，count_elements()返回了一个字典，字典里出现的键为目标列表里面的所有唯一数值，而值为所有数值出现的频率次数。hist[i] = hist.get(i, 0) + 1实现了每个数值次数的累积，每次加一。

实际上，这个功能可以用一个Python的标准库collection.Counter类来完成，它兼容Pyhont 字典并覆盖了字典的.update()方法。

可以看到这个方法和前面我们自己实现的方法结果是一样的，我们也可以通过collection.Counter来检验两种方法得到的结果是否相等。

我们利用上面的函数重新再造一个轮子ASCII_histogram，并最终通过Python的输出格式format来实现直方图的展示，代码如下：

这个函数按照数值大小顺序进行绘图，数值出现次数用(+)符号表示。在字典上调用sorted()将会返回一个按键顺序排列的列表，然后就可以获取相应的次数counted[k]。

这个代码中，vals内的数值是不重复的，并且每个数值出现的频数是由我们自己定义的，在5和15之间随机选择。然后运用我们上面封装的函数，就得到了纯Python版本的直方图展示。

总结：纯python实现频数表（非标准直方图），可直接使用collection.Counter方法实现。

使用Numpy实现histogram

以上是使用纯Python来完成的简单直方图，但是从数学意义上来看，直方图是分箱到频数的一种映射，它可以用来估计变量的概率密度函数的。而上面纯Python实现版本只是单纯的频数统计，不是真正意义上的直方图。

因此，我们从上面实现的简单直方图继续往下进行升级。一个真正的直方图首先应该是将变量分区域（箱）的，也就是分成不同的区间范围，然后对每个区间内的观测值数量进行计数。恰巧，Numpy的直方图方法就可以做到这点，不仅仅如此，它也是后面将要提到的matplotlib和pandas使用的基础。

举个例子，来看一组从拉普拉斯分布上提取出来的浮点型样本数据。这个分布比标准正态分布拥有更宽的尾部，并有两个描述参数（location和scale）：

由于这是一个连续型的分布，对于每个单独的浮点值（即所有的无数个小数位置）并不能做很好的标签（因为点实在太多了）。但是，你可以将数据做分箱处理，然后统计每个箱内观察值的数量，这就是真正的直方图所要做的工作。

下面我们看看是如何用Numpy来实现直方图频数统计的。

这个结果可能不是很直观。来说一下，np.histogram()默认地使用10个相同大小的区间（箱），然后返回一个元组（频数，分箱的边界），如上所示。要注意的是：这个边界的数量是要比分箱数多一个的，可以简单通过下面代码证实。

那问题来了，Numpy到底是如何进行分箱的呢？只是通过简单的np.histogram()就可以完成了，但具体是如何实现的我们仍然全然不知。下面让我们来将np.histogram()的内部进行解剖，看看到底是如何实现的（以最前面提到的a列表为例）。

解释一下：首先获取a列表的最小值和最大值，然后设置默认的分箱数量，最后使用Numpy的linspace方法进行数据段分割。分箱区间的结果也正好与实际吻合，0到23均等分为10份，23/10，那么每份宽度为2.3。

除了np.histogram之外，还存在其它两种可以达到同样功能的方法：np.bincount()和np.searchsorted()，下面看看代码以及比较结果。

总结：通过Numpy实现直方图，可直接使用np.histogram()或者np.bincount()。

使用Matplotlib和Pandas可视化Histogram

从上面的学习，我们看到了如何使用Python的基础工具搭建一个直方图，下面我们来看看如何使用更为强大的Python库包来完成直方图。Matplotlib基于Numpy的histogram进行了多样化的封装并提供了更加完善的可视化功能。

之前我们的做法是，在x轴上定义了分箱边界，y轴是相对应的频数，不难发现我们都是手动定义了分箱的数目。但是在以上的高级方法中，我们可以通过设置bins='auto'自动在写好的两个算法中择优选择并最终算出最适合的分箱数。这里，算法的目的就是选择出一个合适的区间（箱）宽度，并生成一个最能代表数据的直方图来。

pandas.DataFrame.histogram()的用法与Series是一样的，但生成的是对DataFrame数据中的每一列的直方图。

绘制核密度估计（KDE）

KDE（Kernel density estimation）是核密度估计的意思，它用来估计随机变量的概率密度函数，可以将数据变得更平缓。

使用Pandas库的话，你可以使用plot.kde()创建一个核密度的绘图，plot.kde() 对于 Series和DataFrame数据结构都适用。但是首先，我们先生成两个不同的数据样本作为比较（两个正太分布的样本）：

以上看到，我们生成了两组正态分布样本，并且通过一些描述性统计参数对两组数据进行了简单的对比。现在，我们可以在同一个Matplotlib轴上绘制每个直方图以及对应的kde，使用pandas的plot.kde()的好处就是：它会自动的将所有列的直方图和kde都显示出来，用起来非常方便，具体代码如下：

使用Seaborn的完美替代

一个更高级可视化工具就是Seaborn，它是在matplotlib的基础上进一步封装的强大工具。对于直方图而言，Seaborn有 distplot() 方法，可以将单变量分布的直方图和kde同时绘制出来，而且使用及其方便，下面是实现代码（以上面生成的d为例）：

distplot方法默认的会绘制kde，并且该方法提供了fit参数，可以根据数据的实际情况自行选择一个特殊的分布来对应。

注意这两个图微小的区别。第一种情况你是在估计一个未知的概率密度函数(PDF)，而第二种情况是你是知道分布的，并想知道哪些参数可以更好的描述数据。

总结：通过seaborn实现直方图，可使用seaborn.distplot()，seaborn也有单独的kde绘图seaborn.kde()。

在Pandas中的其它工具

除了绘图工具外，pandas也提供了一个方便的.value_counts()方法，用来计算一个非空值的直方图，并将之转变成一个pandas的series结构，示例如下：

此外，pandas.cut()也同样是一个方便的方法，用来将数据进行强制的分箱。比如说，我们有一些人的年龄数据，并想把这些数据按年龄段进行分类，示例如下：

除了使用方便外，更加好的是这些操作最后都会使用Cython代码来完成，在运行速度的效果上也是非常快的。

总结：其它实现直方图的方法，可使用.value_counts()和pandas.cut()。

该使用哪个方法？

至此，我们了解了很多种方法来实现一个直方图。但是它们各自有什么有缺点呢？该如何对它们进行选择呢？当然，一个方法解决所有问题是不存在的，我们也需要根据实际情况而考虑如何选择，下面是对一些情况下使用方法的一个推荐，仅供参考。

参考：https://realpython.com/python-histograms/

以上就是本篇所有内容，直方图的各种玩法你get到了吗？