教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

  • A+
所屬分類：百科知識(shí)

這篇文章主要給大家介紹了關(guān)于如何利用Python玩轉(zhuǎn)histogram直方圖的五種方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

直方圖

直方圖是一個(gè)可以快速展示數(shù)據(jù)概率分布的工具，直觀易于理解，并深受數(shù)據(jù)愛(ài)好者的喜愛(ài)。大家平時(shí)可能見(jiàn)到最多就是 matplotlib，seaborn 等高級(jí)封裝的庫(kù)包，類似以下這樣的繪圖。

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

本篇博主將要總結(jié)一下使用Python繪制直方圖的所有方法，大致可分為三大類（詳細(xì)劃分是五類，參照文末總結(jié)）：

  • 純Python實(shí)現(xiàn)直方圖，不使用任何第三方庫(kù)
  • 使用Numpy來(lái)創(chuàng)建直方圖總結(jié)數(shù)據(jù)
  • 使用matplotlib，pandas，seaborn繪制直方圖

下面，我們來(lái)逐一介紹每種方法的來(lái)龍去脈。

純Python實(shí)現(xiàn)histogram

當(dāng)準(zhǔn)備用純Python來(lái)繪制直方圖的時(shí)候，最簡(jiǎn)單的想法就是將每個(gè)值出現(xiàn)的次數(shù)以報(bào)告形式展示。這種情況下，使用 字典 來(lái)完成這個(gè)任務(wù)是非常合適的，我們看看下面代碼是如何實(shí)現(xiàn)的。

1
2
3
4
5
6
7
8
9
10
11
12
>>> a = (0, 1, 1, 1, 2, 3, 7, 7, 23)
>>> def count_elements(seq) -> dict:
... """Tally elements from `seq`."""
... hist = {}
... for i in seq:
...? hist[i] = hist.get(i, 0) + 1
... return hist
>>> counted = count_elements(a)
>>> counted
{0: 1, 1: 3, 2: 1, 3: 1, 7: 2, 23: 1}

我們看到，count_elements()?返回了一個(gè)字典，字典里出現(xiàn)的鍵為目標(biāo)列表里面的所有唯一數(shù)值，而值為所有數(shù)值出現(xiàn)的頻率次數(shù)。hist[i] = hist.get(i, 0) + 1?實(shí)現(xiàn)了每個(gè)數(shù)值次數(shù)的累積，每次加一。

實(shí)際上，這個(gè)功能可以用一個(gè)Python的標(biāo)準(zhǔn)庫(kù)?collection.Counter?類來(lái)完成，它兼容Pyhont 字典并覆蓋了字典的?.update()?方法。

1
2
3
4
5
>>> from collections import Counter
>>> recounted = Counter(a)
>>> recounted
Counter({0: 1, 1: 3, 3: 1, 2: 1, 7: 2, 23: 1})

可以看到這個(gè)方法和前面我們自己實(shí)現(xiàn)的方法結(jié)果是一樣的，我們也可以通過(guò)?collection.Counter?來(lái)檢驗(yàn)兩種方法得到的結(jié)果是否相等。

1
2
>>> recounted.items() == counted.items()
True

我們利用上面的函數(shù)重新再造一個(gè)輪子 ASCII_histogram，并最終通過(guò)Python的輸出格式format來(lái)實(shí)現(xiàn)直方圖的展示，代碼如下：

1
2
3
4
5
def ascii_histogram(seq) -> None:
?"""A horizontal frequency-table/histogram plot."""
?counted = count_elements(seq)
?for k in sorted(counted):
?print('{0:5d} {1}'.format(k, '+' * counted[k]))

這個(gè)函數(shù)按照數(shù)值大小順序進(jìn)行繪圖，數(shù)值出現(xiàn)次數(shù)用 (+) 符號(hào)表示。在字典上調(diào)用?sorted()?將會(huì)返回一個(gè)按鍵順序排列的列表，然后就可以獲取相應(yīng)的次數(shù)?counted[k]??。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
>>> import random
>>> random.seed(1)
>>> vals = [1, 3, 4, 6, 8, 9, 10]
>>> # `vals` 里面的數(shù)字將會(huì)出現(xiàn)5到15次
>>> freq = (random.randint(5, 15) for _ in vals)
>>> data = []
>>> for f, v in zip(freq, vals):
... data.extend([v] * f)
>>> ascii_histogram(data)
?1 +++++++
?3 ++++++++++++++
?4 ++++++
?6 +++++++++
?8 ++++++
?9 ++++++++++++
?10 ++++++++++++

這個(gè)代碼中，vals內(nèi)的數(shù)值是不重復(fù)的，并且每個(gè)數(shù)值出現(xiàn)的頻數(shù)是由我們自己定義的，在5和15之間隨機(jī)選擇。然后運(yùn)用我們上面封裝的函數(shù)，就得到了純Python版本的直方圖展示。

總結(jié)：純python實(shí)現(xiàn)頻數(shù)表（非標(biāo)準(zhǔn)直方圖），可直接使用collection.Counter方法實(shí)現(xiàn)。

使用Numpy實(shí)現(xiàn)histogram

以上是使用純Python來(lái)完成的簡(jiǎn)單直方圖，但是從數(shù)學(xué)意義上來(lái)看，直方圖是分箱到頻數(shù)的一種映射，它可以用來(lái)估計(jì)變量的概率密度函數(shù)的。而上面純Python實(shí)現(xiàn)版本只是單純的頻數(shù)統(tǒng)計(jì)，不是真正意義上的直方圖。

因此，我們從上面實(shí)現(xiàn)的簡(jiǎn)單直方圖繼續(xù)往下進(jìn)行升級(jí)。一個(gè)真正的直方圖首先應(yīng)該是將變量分區(qū)域（箱）的，也就是分成不同的區(qū)間范圍，然后對(duì)每個(gè)區(qū)間內(nèi)的觀測(cè)值數(shù)量進(jìn)行計(jì)數(shù)。恰巧，Numpy的直方圖方法就可以做到這點(diǎn)，不僅僅如此，它也是后面將要提到的matplotlib和pandas使用的基礎(chǔ)。

舉個(gè)例子，來(lái)看一組從拉普拉斯分布上提取出來(lái)的浮點(diǎn)型樣本數(shù)據(jù)。這個(gè)分布比標(biāo)準(zhǔn)正態(tài)分布擁有更寬的尾部，并有兩個(gè)描述參數(shù)（location和scale）：

1
2
3
4
5
6
7
8
>>> import numpy as np
>>> np.random.seed(444)
>>> np.set_printoptions(precision=3)
>>> d = np.random.laplace(loc=15, scale=3, size=500)
>>> d[:5]
array([18.406, 18.087, 16.004, 16.221, 7.358])

由于這是一個(gè)連續(xù)型的分布，對(duì)于每個(gè)單獨(dú)的浮點(diǎn)值（即所有的無(wú)數(shù)個(gè)小數(shù)位置）并不能做很好的標(biāo)簽（因?yàn)辄c(diǎn)實(shí)在太多了）。但是，你可以將數(shù)據(jù)做 分箱 處理，然后統(tǒng)計(jì)每個(gè)箱內(nèi)觀察值的數(shù)量，這就是真正的直方圖所要做的工作。

下面我們看看是如何用Numpy來(lái)實(shí)現(xiàn)直方圖頻數(shù)統(tǒng)計(jì)的。

1
2
3
4
5
6
7
8
>>> hist, bin_edges = np.histogram(d)
>>> hist
array([ 1, 0, 3, 4, 4, 10, 13, 9, 2, 4])
>>> bin_edges
array([ 3.217, 5.199, 7.181, 9.163, 11.145, 13.127, 15.109, 17.091,
?19.073, 21.055, 23.037])

這個(gè)結(jié)果可能不是很直觀。來(lái)說(shuō)一下，np.histogram()?默認(rèn)地使用10個(gè)相同大小的區(qū)間（箱），然后返回一個(gè)元組（頻數(shù)，分箱的邊界），如上所示。要注意的是：這個(gè)邊界的數(shù)量是要比分箱數(shù)多一個(gè)的，可以簡(jiǎn)單通過(guò)下面代碼證實(shí)。

1
2
>>> hist.size, bin_edges.size
(10, 11)

那問(wèn)題來(lái)了，Numpy到底是如何進(jìn)行分箱的呢？只是通過(guò)簡(jiǎn)單的?np.histogram()?就可以完成了，但具體是如何實(shí)現(xiàn)的我們?nèi)匀蝗徊恢Ｏ旅孀屛覀儊?lái)將?np.histogram()?的內(nèi)部進(jìn)行解剖，看看到底是如何實(shí)現(xiàn)的（以最前面提到的a列表為例）。

1
2
3
4
5
6
7
8
9
>>> # 取a的最小值和最大值
>>> first_edge, last_edge = a.min(), a.max()
>>> n_equal_bins = 10 # NumPy得默認(rèn)設(shè)置，10個(gè)分箱
>>> bin_edges = np.linspace(start=first_edge, stop=last_edge,
...??? num=n_equal_bins + 1, endpoint=True)
...
>>> bin_edges
array([ 0. , 2.3, 4.6, 6.9, 9.2, 11.5, 13.8, 16.1, 18.4, 20.7, 23. ])

解釋一下：首先獲取a列表的最小值和最大值，然后設(shè)置默認(rèn)的分箱數(shù)量，最后使用Numpy的 linspace 方法進(jìn)行數(shù)據(jù)段分割。分箱區(qū)間的結(jié)果也正好與實(shí)際吻合，0到23均等分為10份，23/10，那么每份寬度為2.3。

除了np.histogram之外，還存在其它兩種可以達(dá)到同樣功能的方法：np.bincount()?和?np.searchsorted()?，下面看看代碼以及比較結(jié)果。

1
2
3
4
5
6
7
8
9
>>> bcounts = np.bincount(a)
>>> hist, _ = np.histogram(a, range=(0, a.max()), bins=a.max() + 1)
>>> np.array_equal(hist, bcounts)
True
>>> # Reproducing `collections.Counter`
>>> dict(zip(np.unique(a), bcounts[bcounts.nonzero()]))
{0: 1, 1: 3, 2: 1, 3: 1, 7: 2, 23: 1}

總結(jié)：通過(guò)Numpy實(shí)現(xiàn)直方圖，可直接使用np.histogram()或者np.bincount()?。

使用Matplotlib和Pandas可視化Histogram

從上面的學(xué)習(xí)，我們看到了如何使用Python的基礎(chǔ)工具搭建一個(gè)直方圖，下面我們來(lái)看看如何使用更為強(qiáng)大的Python庫(kù)包來(lái)完成直方圖。Matplotlib基于Numpy的histogram進(jìn)行了多樣化的封裝并提供了更加完善的可視化功能。

1
2
3
4
5
6
7
8
9
10
11
12
13
import matplotlib.pyplot as plt
# matplotlib.axes.Axes.hist() 方法的接口
n, bins, patches = plt.hist(x=d, bins='auto', color='#0504aa',
????alpha=0.7, rwidth=0.85)
plt.grid(axis='y', alpha=0.75)
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('My Very Own Histogram')
plt.text(23, 45, r'$\mu=15, b=3$')
maxfreq = n.max()
# 設(shè)置y軸的上限
plt.ylim(ymax=np.ceil(maxfreq / 10) * 10 if maxfreq % 10 else maxfreq + 10)

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

之前我們的做法是，在x軸上定義了分箱邊界，y軸是相對(duì)應(yīng)的頻數(shù)，不難發(fā)現(xiàn)我們都是手動(dòng)定義了分箱的數(shù)目。但是在以上的高級(jí)方法中，我們可以通過(guò)設(shè)置?bins='auto'?自動(dòng)在寫好的兩個(gè)算法中擇優(yōu)選擇并最終算出最適合的分箱數(shù)。這里，算法的目的就是選擇出一個(gè)合適的區(qū)間（箱）寬度，并生成一個(gè)最能代表數(shù)據(jù)的直方圖來(lái)。

如果使用Python的科學(xué)計(jì)算工具實(shí)現(xiàn)，那么可以使用Pandas的?Series.histogram()?，并通過(guò)?matplotlib.pyplot.hist()?來(lái)繪制輸入Series的直方圖，如下代碼所示。

1
2
3
4
5
6
7
8
9
10
11
import pandas as pd
size, scale = 1000, 10
commutes = pd.Series(np.random.gamma(scale, size=size) ** 1.5)
commutes.plot.hist(grid=True, bins=20, rwidth=0.9,
?????color='#607c8e')
plt.title('Commute Times for 1,000 Commuters')
plt.xlabel('Counts')
plt.ylabel('Commute Time')
plt.grid(axis='y', alpha=0.75)

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

pandas.DataFrame.histogram()?的用法與Series是一樣的，但生成的是對(duì)DataFrame數(shù)據(jù)中的每一列的直方圖。

總結(jié)：通過(guò)pandas實(shí)現(xiàn)直方圖，可使用Seris.plot.hist()?，DataFrame.plot.hist()?，matplotlib實(shí)現(xiàn)直方圖可以用matplotlib.pyplot.hist()?。

繪制核密度估計(jì)（KDE）

KDE（Kernel density estimation）是核密度估計(jì)的意思，它用來(lái)估計(jì)隨機(jī)變量的概率密度函數(shù)，可以將數(shù)據(jù)變得更平緩。

使用Pandas庫(kù)的話，你可以使用?plot.kde()?創(chuàng)建一個(gè)核密度的繪圖，plot.kde()?對(duì)于 Series和DataFrame數(shù)據(jù)結(jié)構(gòu)都適用。但是首先，我們先生成兩個(gè)不同的數(shù)據(jù)樣本作為比較（兩個(gè)正太分布的樣本）：

1
2
3
4
5
6
7
8
9
10
11
12
>>> # 兩個(gè)正太分布的樣本
>>> means = 10, 20
>>> stdevs = 4, 2
>>> dist = pd.DataFrame(
...? np.random.normal(loc=means, scale=stdevs, size=(1000, 2)),
...? columns=['a', 'b'])
>>> dist.agg(['min', 'max', 'mean', 'std']).round(decimals=2)
???a? b
min -1.57 12.46
max 25.32 26.44
mean 10.12 19.94
std 3.94 1.94

以上看到，我們生成了兩組正態(tài)分布樣本，并且通過(guò)一些描述性統(tǒng)計(jì)參數(shù)對(duì)兩組數(shù)據(jù)進(jìn)行了簡(jiǎn)單的對(duì)比。現(xiàn)在，我們可以在同一個(gè)Matplotlib軸上繪制每個(gè)直方圖以及對(duì)應(yīng)的kde，使用pandas的plot.kde()的好處就是：它會(huì)自動(dòng)的將所有列的直方圖和kde都顯示出來(lái)，用起來(lái)非常方便，具體代碼如下：

1
2
3
4
5
6
fig, ax = plt.subplots()
dist.plot.kde(ax=ax, legend=False, title='Histogram: A vs. B')
dist.plot.hist(density=True, ax=ax)
ax.set_ylabel('Probability')
ax.grid(axis='y')
ax.set_facecolor('#d8dcd6')

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

總結(jié)：通過(guò)pandas實(shí)現(xiàn)kde圖，可使用Seris.plot.kde()?，DataFrame.plot.kde()?。

使用Seaborn的完美替代

一個(gè)更高級(jí)可視化工具就是Seaborn，它是在matplotlib的基礎(chǔ)上進(jìn)一步封裝的強(qiáng)大工具。對(duì)于直方圖而言，Seaborn有?distplot()?方法，可以將單變量分布的直方圖和kde同時(shí)繪制出來(lái)，而且使用及其方便，下面是實(shí)現(xiàn)代碼（以上面生成的d為例）：

1
2
3
4
import seaborn as sns
sns.set_style('darkgrid')
sns.distplot(d)

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

distplot方法默認(rèn)的會(huì)繪制kde，并且該方法提供了 fit 參數(shù)，可以根據(jù)數(shù)據(jù)的實(shí)際情況自行選擇一個(gè)特殊的分布來(lái)對(duì)應(yīng)。

1
sns.distplot(d, fit=stats.laplace, kde=False)

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

注意這兩個(gè)圖微小的區(qū)別。第一種情況你是在估計(jì)一個(gè)未知的概率密度函數(shù)(PDF)，而第二種情況是你是知道分布的，并想知道哪些參數(shù)可以更好的描述數(shù)據(jù)。

總結(jié)：通過(guò)seaborn實(shí)現(xiàn)直方圖，可使用seaborn.distplot()?，seaborn也有單獨(dú)的kde繪圖seaborn.kde()?。

在Pandas中的其它工具

除了繪圖工具外，pandas也提供了一個(gè)方便的.value_counts()?方法，用來(lái)計(jì)算一個(gè)非空值的直方圖，并將之轉(zhuǎn)變成一個(gè)pandas的series結(jié)構(gòu)，示例如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
>>> import pandas as pd
>>> data = np.random.choice(np.arange(10), size=10000,
...?????? p=np.linspace(1, 11, 10) / 60)
>>> s = pd.Series(data)
>>> s.value_counts()
9 1831
8 1624
7 1423
6 1323
5 1089
4? 888
3? 770
2? 535
1? 347
0? 170
dtype: int64
>>> s.value_counts(normalize=True).head()
9 0.1831
8 0.1624
7 0.1423
6 0.1323
5 0.1089
dtype: float64

此外，pandas.cut()?也同樣是一個(gè)方便的方法，用來(lái)將數(shù)據(jù)進(jìn)行強(qiáng)制的分箱。比如說(shuō)，我們有一些人的年齡數(shù)據(jù)，并想把這些數(shù)據(jù)按年齡段進(jìn)行分類，示例如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
>>> ages = pd.Series(
...? [1, 1, 3, 5, 8, 10, 12, 15, 18, 18, 19, 20, 25, 30, 40, 51, 52])
>>> bins = (0, 10, 13, 18, 21, np.inf) # 邊界
>>> labels = ('child', 'preteen', 'teen', 'military_age', 'adult')
>>> groups = pd.cut(ages, bins=bins, labels=labels)
>>> groups.value_counts()
child?? 6
adult?? 5
teen?? 3
military_age 2
preteen?? 1
dtype: int64
>>> pd.concat((ages, groups), axis=1).rename(columns={0: 'age', 1: 'group'})
?age?? group
0? 1?? child
1? 1?? child
2? 3?? child
3? 5?? child
4? 8?? child
5 10?? child
6 12? preteen
7 15?? teen
8 18?? teen
9 18?? teen
10 19 military_age
11 20 military_age
12 25?? adult
13 30?? adult
14 40?? adult
15 51?? adult
16 52?? adult

除了使用方便外，更加好的是這些操作最后都會(huì)使用 Cython 代碼來(lái)完成，在運(yùn)行速度的效果上也是非常快的。

總結(jié)：其它實(shí)現(xiàn)直方圖的方法，可使用.value_counts()和pandas.cut()?。

該使用哪個(gè)方法？

至此，我們了解了很多種方法來(lái)實(shí)現(xiàn)一個(gè)直方圖。但是它們各自有什么有缺點(diǎn)呢？該如何對(duì)它們進(jìn)行選擇呢？當(dāng)然，一個(gè)方法解決所有問(wèn)題是不存在的，我們也需要根據(jù)實(shí)際情況而考慮如何選擇，下面是對(duì)一些情況下使用方法的一個(gè)推薦，僅供參考。

教你利用Python玩轉(zhuǎn)histogram直方圖的五種方法

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問(wèn)大家可以留言交流，謝謝大家對(duì)四五設(shè)計(jì)網(wǎng)的支持。

歷史上的今天:

推薦應(yīng)用

發(fā)表評(píng)論

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: