numpy.histogram2d#
- numpy.histogram2d(x, y, bins=10, range=None, density=None, weights=None)[source]#
计算两个数据样本的二维直方图。
- 参数::
- xarray_like, shape (N,)
包含要直方图化的点的 x 坐标的数组。
- yarray_like, shape (N,)
包含要直方图化的点的 y 坐标的数组。
- binsint 或 array_like 或 [int, int] 或 [array, array], 可选
箱体规范
如果为 int,则两个维度的箱体数量 (nx=ny=bins)。
如果为 array_like,则两个维度的箱体边缘 (x_edges=y_edges=bins)。
如果为 [int, int],则每个维度的箱体数量 (nx, ny = bins)。
如果为 [array, array],则每个维度的箱体边缘 (x_edges, y_edges = bins)。
组合 [int, array] 或 [array, int],其中 int 为箱体数量,array 为箱体边缘。
- rangearray_like, shape(2,2), 可选
每个维度上箱体的最左和最右边缘(如果未在 bins 参数中明确指定):
[[xmin, xmax], [ymin, ymax]]
。所有超出此范围的值将被视为异常值,不会在直方图中统计。- densitybool, 可选
如果为 False(默认值),则返回每个箱体中的样本数量。如果为 True,则返回箱体处的概率密度函数,
bin_count / sample_count / bin_area
。- weightsarray_like, shape(N,), 可选
一个值数组
w_i
,对每个样本(x_i, y_i)
进行加权。如果 density 为 True,权重将归一化为 1。如果 density 为 False,则返回的直方图的值等于属于每个箱体的样本的权重之和。
- 返回::
- Hndarray, shape(nx, ny)
样本 x 和 y 的二维直方图。 x 中的值沿第一维(垂直)直方图化,y 中的值沿第二维(水平)直方图化。
- xedgesndarray, shape(nx+1,)
第一维的箱体边缘。
- yedgesndarray, shape(ny+1,)
第二维的箱体边缘。
另请参见
histogram
一维直方图
histogramdd
多维直方图
备注
当 density 为 True 时,返回的直方图是样本密度,定义为
bin_value * bin_area
的乘积在箱体上的总和为 1。请注意,直方图不遵循笛卡尔约定,其中 x 值位于横轴,y 值位于纵轴。相反,x 沿数组的第一维(垂直)直方图化,y 沿数组的第二维(水平)直方图化。这确保了与
histogramdd
的兼容性。示例
>>> import numpy as np >>> from matplotlib.image import NonUniformImage >>> import matplotlib.pyplot as plt
构建具有可变箱体宽度的二维直方图。首先定义箱体边缘
>>> xedges = [0, 1, 3, 5] >>> yedges = [0, 2, 3, 4, 6]
接下来,我们创建一个具有随机箱体内容的直方图 H
>>> x = np.random.normal(2, 1, 100) >>> y = np.random.normal(1, 1, 100) >>> H, xedges, yedges = np.histogram2d(x, y, bins=(xedges, yedges)) >>> # Histogram does not follow Cartesian convention (see Notes), >>> # therefore transpose H for visualization purposes. >>> H = H.T
imshow
只能显示方形箱体>>> fig = plt.figure(figsize=(7, 3)) >>> ax = fig.add_subplot(131, title='imshow: square bins') >>> plt.imshow(H, interpolation='nearest', origin='lower', ... extent=[xedges[0], xedges[-1], yedges[0], yedges[-1]]) <matplotlib.image.AxesImage object at 0x...>
pcolormesh
可以显示实际边缘>>> ax = fig.add_subplot(132, title='pcolormesh: actual edges', ... aspect='equal') >>> X, Y = np.meshgrid(xedges, yedges) >>> ax.pcolormesh(X, Y, H) <matplotlib.collections.QuadMesh object at 0x...>
NonUniformImage
可用于显示具有插值的实际箱体边缘>>> ax = fig.add_subplot(133, title='NonUniformImage: interpolated', ... aspect='equal', xlim=xedges[[0, -1]], ylim=yedges[[0, -1]]) >>> im = NonUniformImage(ax, interpolation='bilinear') >>> xcenters = (xedges[:-1] + xedges[1:]) / 2 >>> ycenters = (yedges[:-1] + yedges[1:]) / 2 >>> im.set_data(xcenters, ycenters, H) >>> ax.add_image(im) >>> plt.show()
也可以在不指定箱体边缘的情况下构建二维直方图
>>> # Generate non-symmetric test data >>> n = 10000 >>> x = np.linspace(1, 100, n) >>> y = 2*np.log(x) + np.random.rand(n) - 0.5 >>> # Compute 2d histogram. Note the order of x/y and xedges/yedges >>> H, yedges, xedges = np.histogram2d(y, x, bins=20)
现在我们可以使用
pcolormesh
绘制直方图,并与hexbin
进行比较。>>> # Plot histogram using pcolormesh >>> fig, (ax1, ax2) = plt.subplots(ncols=2, sharey=True) >>> ax1.pcolormesh(xedges, yedges, H, cmap='rainbow') >>> ax1.plot(x, 2*np.log(x), 'k-') >>> ax1.set_xlim(x.min(), x.max()) >>> ax1.set_ylim(y.min(), y.max()) >>> ax1.set_xlabel('x') >>> ax1.set_ylabel('y') >>> ax1.set_title('histogram2d') >>> ax1.grid()
>>> # Create hexbin plot for comparison >>> ax2.hexbin(x, y, gridsize=20, cmap='rainbow') >>> ax2.plot(x, 2*np.log(x), 'k-') >>> ax2.set_title('hexbin') >>> ax2.set_xlim(x.min(), x.max()) >>> ax2.set_xlabel('x') >>> ax2.grid()
>>> plt.show()