5種方法教你用Python玩轉histogram直方圖

關鍵時刻，第一時間送達！

閱讀本文需要 10 分鐘

直方圖是一個可以快速展示數據概率分布的工具，直觀易於理解，並深受數據愛好者的喜愛。大家平時可能見到最多就是matplotlib，seaborn等高級封裝的庫包，類似以下這樣的繪圖。

本篇博主將要總結一下使用Python繪製直方圖的所有方法，大致可分為三大類（詳細劃分是五類，參照文末總結）：

純Python實現直方圖，不使用任何第三方庫

使用Numpy來創建直方圖總結數據

使用matplotlib，pandas，seaborn繪製直方圖

下面，我們來逐一介紹每種方法的來龍去脈。

純Python實現histogram

當準備用純Python來繪製直方圖的時候，最簡單的想法就是將每個值出現的次數以報告形式展示。這種情況下，使用字典來完成這個任務是非常合適的，我們看看下面代碼是如何實現的。

我們看到，count_elements()返回了一個字典，字典里出現的鍵為目標列表裡面的所有唯一數值，而值為所有數值出現的頻率次數。hist[i] = hist.get(i, 0) + 1實現了每個數值次數的累積，每次加一。

實際上，這個功能可以用一個Python的標準庫collection.Counter類來完成，它兼容Pyhont 字典並覆蓋了字典的.update()方法。

可以看到這個方法和前面我們自己實現的方法結果是一樣的，我們也可以通過collection.Counter來檢驗兩種方法得到的結果是否相等。

我們利用上面的函數重新再造一個輪子ASCII_histogram，並最終通過Python的輸出格式format來實現直方圖的展示，代碼如下：

這個函數按照數值大小順序進行繪圖，數值出現次數用(+)符號表示。在字典上調用sorted()將會返回一個按鍵順序排列的列表，然後就可以獲取相應的次數counted[k]。

這個代碼中，vals內的數值是不重複的，並且每個數值出現的頻數是由我們自己定義的，在5和15之間隨機選擇。然後運用我們上面封裝的函數，就得到了純Python版本的直方圖展示。

總結：純python實現頻數表（非標準直方圖），可直接使用collection.Counter方法實現。

使用Numpy實現histogram

以上是使用純Python來完成的簡單直方圖，但是從數學意義上來看，直方圖是分箱到頻數的一種映射，它可以用來估計變數的概率密度函數的。而上面純Python實現版本只是單純的頻數統計，不是真正意義上的直方圖。

因此，我們從上面實現的簡單直方圖繼續往下進行升級。一個真正的直方圖首先應該是將變數分區域（箱）的，也就是分成不同的區間範圍，然後對每個區間內的觀測值數量進行計數。恰巧，Numpy的直方圖方法就可以做到這點，不僅僅如此，它也是後面將要提到的matplotlib和pandas使用的基礎。

舉個例子，來看一組從拉普拉斯分布上提取出來的浮點型樣本數據。這個分布比標準正態分布擁有更寬的尾部，並有兩個描述參數（location和scale）：

由於這是一個連續型的分布，對於每個單獨的浮點值（即所有的無數個小數位置）並不能做很好的標籤（因為點實在太多了）。但是，你可以將數據做分箱處理，然後統計每個箱內觀察值的數量，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來實現直方圖頻數統計的。

這個結果可能不是很直觀。來說一下，np.histogram()默認地使用10個相同大小的區間（箱），然後返回一個元組（頻數，分箱的邊界），如上所示。要注意的是：這個邊界的數量是要比分箱數多一個的，可以簡單通過下面代碼證實。

那問題來了，Numpy到底是如何進行分箱的呢？只是通過簡單的np.histogram()就可以完成了，但具體是如何實現的我們仍然全然不知。下面讓我們來將np.histogram()的內部進行解剖，看看到底是如何實現的（以最前面提到的a列表為例）。

解釋一下：首先獲取a列表的最小值和最大值，然後設置默認的分箱數量，最後使用Numpy的linspace方法進行數據段分割。分箱區間的結果也正好與實際吻合，0到23均等分為10份，23/10，那麼每份寬度為2.3。

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

總結：通過Numpy實現直方圖，可直接使用np.histogram()或者np.bincount()。

使用Matplotlib和Pandas可視化Histogram

從上面的學習，我們看到了如何使用Python的基礎工具搭建一個直方圖，下面我們來看看如何使用更為強大的Python庫包來完成直方圖。Matplotlib基於Numpy的histogram進行了多樣化的封裝並提供了更加完善的可視化功能。

之前我們的做法是，在x軸上定義了分箱邊界，y軸是相對應的頻數，不難發現我們都是手動定義了分箱的數目。但是在以上的高級方法中，我們可以通過設置bins="auto"自動在寫好的兩個演算法中擇優選擇並最終算出最適合的分箱數。這裡，演算法的目的就是選擇出一個合適的區間（箱）寬度，並生成一個最能代表數據的直方圖來。

pandas.DataFrame.histogram()的用法與Series是一樣的，但生成的是對DataFrame數據中的每一列的直方圖。

繪製核密度估計（KDE）

KDE（Kernel density estimation）是核密度估計的意思，它用來估計隨機變數的概率密度函數，可以將數據變得更平緩。

使用Pandas庫的話，你可以使用plot.kde()創建一個核密度的繪圖，plot.kde() 對於 Series和DataFrame數據結構都適用。但是首先，我們先生成兩個不同的數據樣本作為比較（兩個正太分布的樣本）：

以上看到，我們生成了兩組正態分布樣本，並且通過一些描述性統計參數對兩組數據進行了簡單的對比。現在，我們可以在同一個Matplotlib軸上繪製每個直方圖以及對應的kde，使用pandas的plot.kde()的好處就是：它會自動的將所有列的直方圖和kde都顯示出來，用起來非常方便，具體代碼如下：

使用Seaborn的完美替代

一個更高級可視化工具就是Seaborn，它是在matplotlib的基礎上進一步封裝的強大工具。對於直方圖而言，Seaborn有 distplot() 方法，可以將單變數分布的直方圖和kde同時繪製出來，而且使用及其方便，下面是實現代碼（以上面生成的d為例）：

distplot方法默認的會繪製kde，並且該方法提供了fit參數，可以根據數據的實際情況自行選擇一個特殊的分布來對應。

注意這兩個圖微小的區別。第一種情況你是在估計一個未知的概率密度函數(PDF)，而第二種情況是你是知道分布的，並想知道哪些參數可以更好的描述數據。

總結：通過seaborn實現直方圖，可使用seaborn.distplot()，seaborn也有單獨的kde繪圖seaborn.kde()。

在Pandas中的其它工具

除了繪圖工具外，pandas也提供了一個方便的.value_counts()方法，用來計算一個非空值的直方圖，並將之轉變成一個pandas的series結構，示例如下：

此外，pandas.cut()也同樣是一個方便的方法，用來將數據進行強制的分箱。比如說，我們有一些人的年齡數據，並想把這些數據按年齡段進行分類，示例如下：

除了使用方便外，更加好的是這些操作最後都會使用Cython代碼來完成，在運行速度的效果上也是非常快的。

總結：其它實現直方圖的方法，可使用.value_counts()和pandas.cut()。

該使用哪個方法？

至此，我們了解了很多種方法來實現一個直方圖。但是它們各自有什麼有缺點呢？該如何對它們進行選擇呢？當然，一個方法解決所有問題是不存在的，我們也需要根據實際情況而考慮如何選擇，下面是對一些情況下使用方法的一個推薦，僅供參考。

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

以上就是本篇所有內容，直方圖的各種玩法你get到了嗎？

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！