numpy.histogram2d

numpy.histogram2d(x, y, bins=10, range=None, density=None, weights=None)

计算两个数据样本的二维直方图.

参数:

xarray_like, 形状 (N,)

一个包含要进行直方图处理的点的x坐标的数组.

yarray_like, 形状 (N,)

一个包含要进行直方图统计的点的y坐标的数组.

binsint 或 array_like 或 [int, int] 或 [array, array],可选

bin 规范:

• 如果是整数,则为两个维度（nx=ny=bins）的箱数.

• 如果是类数组,则两个维度（x_edges=y_edges=bins）的 bin 边缘.

• 如果是 [int, int],每个维度中的箱数（nx, ny = bins）.

• 如果 [array, array],每个维度中的 bin 边缘（x_edges, y_edges = bins）.

• 组合 [int, 数组] 或 [数组, int],其中 int 是箱数,数组是箱边缘.

rangearray_like, 形状(2,2), 可选

每个维度上箱子的最左和最右边缘（如果未在 bins 参数中明确指定）:[[xmin, xmax], [ymin, ymax]].此范围之外的所有值将被视为异常值,不会在直方图中计数.

densitybool, 可选

如果为 False,默认情况下,返回每个箱子中的样本数量.如果为 True,返回箱子处的概率 密度 函数,``bin_count / sample_count / bin_area``.

weightsarray_like, 形状(N,), 可选

一组值 w_i 加权每个样本 (x_i, y_i).如果 density 为 True,权重将被归一化为 1.如果 density 为 False,返回的直方图的值等于落入每个箱子的样本的权重之和.

返回:

Hndarray, 形状(nx, ny)

样本 x 和 y 的二维直方图.`x` 中的值沿第一个维度进行直方图统计,`y` 中的值沿第二个维度进行直方图统计.

xedgesndarray, 形状(nx+1,)

沿第一个维度的 bin 边缘.

yedgesndarray, 形状(ny+1,)

沿第二个维度的 bin 边缘.

参见

histogram

1D 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,定义为使得 bin_value * bin_area 在各箱中的乘积之和为 1.

请注意,直方图不遵循笛卡尔惯例,其中 x 值在横坐标上,`y` 值在纵坐标上.相反,`x` 沿数组的第一维（垂直）进行直方图处理,而 y 沿数组的第二维（水平）进行直方图处理.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

构建一个具有可变箱宽的二维直方图.首先定义箱边:

>>> xedges = [0, 1, 3, 5]
>>> yedges = [0, 2, 3, 4, 6]

接下来我们创建一个带有随机箱内容直方图 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 只能显示方形箱子:

>>> 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...>

非均匀图像 可以用于显示带有插值的实际箱边缘:

>>> 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()

也可以在不指定箱边的情况下构建一个二维直方图:

>>> # 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,并使用 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()