在直方图上绘制一个函数线

Question

我正在尝试使用SciPy进行统计分析和matplotlib进行绘图，在Python中进行一些分布图绘制和拟合。对于一些事情，比如创建直方图，我运气不错。

seed(2)
alpha=5
loc=100
beta=22
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000)
myHist = hist(data, 100, normed=True)

太棒了！

我甚至可以使用相同的伽马参数，并绘制概率分布函数的线性函数（在一些搜索之后）。

rv = ss.gamma(5,100,22)
x = np.linspace(0,600)
h = plt.plot(x, rv.pdf(x))

如何在直方图“myHist”上叠加概率密度函数线“h”？我希望这个问题很简单，但是我一直无法弄清楚。

- JD Long

---

http://matplotlib.sourceforge.net/examples/api/histogram_demo.html - jfs

你可能在不同的图形上绘制直方图和折线图。如果你只是在同一个图形上调用hist和plot函数，那么它们就应该重叠在一起。 - Dhara

@Dhara，就是这样。我正在使用IPython笔记本，并且正在做同样的事情。 - JD Long

这里有所有的scipy.stats分布概率密度函数以及示例代码。 - tmthydvnprt

Answer 1

只需要把两部分组合在一起。

import scipy.stats as ss
import numpy as np
import matplotlib.pyplot as plt
alpha, loc, beta=5, 100, 22
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000)
myHist = plt.hist(data, 100, normed=True)
rv = ss.gamma(alpha,loc,beta)
x = np.linspace(0,600) 
h = plt.plot(x, rv.pdf(x), lw=2)
plt.show()

为确保在任何特定的绘图实例中获得所需内容，请尝试首先创建一个figure对象。

import scipy.stats as ss
import numpy as np
import matplotlib.pyplot as plt
# setting up the axes
fig = plt.figure(figsize=(8,8))
ax  = fig.add_subplot(111)
# now plot
alpha, loc, beta=5, 100, 22
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000)
myHist = ax.hist(data, 100, normed=True)
rv = ss.gamma(alpha,loc,beta)
x = np.linspace(0,600)
h = ax.plot(x, rv.pdf(x), lw=2)
# show
plt.show()

- nye17

---

我遇到的问题是，我正在使用 iPython Notebook。当我运行一个图表时，它会以交互方式绘制，然后我做一些操作并绘制另一个图表，结果它会出现在一个新的图表中。感谢您帮助我解决这个问题！ - JD Long

Answer 2

您可能对绘制任何直方图的分布函数感兴趣。 这可以使用seaborn kde函数来完成。

import numpy as np # for random data
import pandas as pd  # for convinience
import matplotlib.pyplot as plt  # for graphics
import seaborn as sns  # for nicer graphics

v1 = pd.Series(np.random.normal(0,10,1000), name='v1')
v2 = pd.Series(2*v1 + np.random.normal(60,15,1000), name='v2')

# plot a kernel density estimation over a stacked barchart
plt.figure()
plt.hist([v1, v2], histtype='barstacked', normed=True);
v3 = np.concatenate((v1,v2))
sns.kdeplot(v3);
plt.show()

来自Coursera的Python数据可视化课程。

- Malik Koné

Answer 3

针对Malik的回答，尽可能地使用原生NumPy、SciPy和Matplotlib进行扩展。我引入了Seaborn，但它仅用于提供更好的默认设置和微小视觉调整：

import numpy as np
import scipy.stats as sps
import matplotlib.pyplot as plt

import seaborn as sns
sns.set(style='ticks')

# parameterise our distributions
d1 = sps.norm(0, 10)
d2 = sps.norm(60, 15)

# sample values from above distributions
y1 = d1.rvs(300)
y2 = d2.rvs(200)
# combine mixture
ys = np.concatenate([y1, y2])

# create new figure with size given explicitly
plt.figure(figsize=(10, 6))

# add histogram showing individual components
plt.hist([y1, y2], 31, histtype='barstacked', density=True, alpha=0.4, edgecolor='none')

# get X limits and fix them
mn, mx = plt.xlim()
plt.xlim(mn, mx)

# add our distributions to figure
x = np.linspace(mn, mx, 301)
plt.plot(x, d1.pdf(x) * (len(y1) / len(ys)), color='C0', ls='--', label='d1')
plt.plot(x, d2.pdf(x) * (len(y2) / len(ys)), color='C1', ls='--', label='d2')

# estimate Kernel Density and plot
kde = sps.gaussian_kde(ys)
plt.plot(x, kde.pdf(x), label='KDE')

# finish up
plt.legend()
plt.ylabel('Probability density')
sns.despine()

给我们以下的图表:

在生成相对漂亮的输出时，我尝试坚持使用最小的特性集，特别是使用SciPy来估计KDE非常容易。

- Sam Mason