我在matplotlib中创建一个柱状图，但有问题，因为这些条的宽度是不同的，而它们都应该是相同的宽度。这方面的一个例子是：
在图像中，左列有完整的直方图，而右列在完整直方图的部分中被放大。在一些试验中，由于两个柱状图的宽度不同，所以在两个柱状图中，它们的宽度是不同的。我希望他们有相同大小的酒吧，其中rwidth=1，并没有间隙之间的相邻箱子。在
当我将rwidth设为默认值以及将其设置为1时，都会发生这种情况。有人问了一个类似的问题here，但它似乎与不同的刻度范围或重叠的条形轮廓有关，这两个问题都不适用于我的图形。在
有人知道为什么我的垃圾箱宽度不一样，或者我可以做什么使它们保持相同的宽度吗？
我使用的代码如下所示：def graph_pvalues(both, selective, clearcut, trials, location):
# define overall figure
plt.figure(figsize=(16, int(project_images*(trials*0.15 + 0.5))))
gs = gridspec.GridSpec(project_images-1, 3)
# plot one graph per substack size
for v in range(project_images-1):
# define subsets of data being graphed, remove nan values, and combine
S_sub = selective[:, v]
C_sub = clearcut[:, v]
B_sub = both[:, v]
graphed_data = [B_sub[~np.isnan(B_sub)], S_sub[~np.isnan(S_sub)], C_sub[~np.isnan(C_sub)]]
# plot main graph
ax1 = plt.subplot2grid((project_images-1, 3), (v, 0), colspan=2)
ax1.hist(graphed_data, bins=50, rwidth=1, label=['both', 'selective', 'clearcut'])
ax1.axis([0, 1, 0, trials])
ax1.set_title("Disturbance at the %s using a substack of %i images" % (location, v+1))
ax1.set_xlabel("p-value")
ax1.set_ylabel("Number of trials")
ax1.legend(prop={'size': 10})
# plot zoom graph for 0 to 0.1
ax2 = plt.subplot2grid((project_images-1, 3), (v, 2))
ax2.hist(graphed_data, bins=10, range=(0, 0.1), label=['both', 'selective', 'clearcut'])
ax2.axis([0, 0.1, 0, trials])
ax2.set_title("Zoom 0 - 0.1 (%s, %i images)" % (location, v+1))
ax2.set_xlabel("p-value")
ax2.legend(prop={'size': 10})
plt.tight_layout()
plt.show()

文章目录
折线图
散点图
改变颜色
线条样式
改变散点图点的样式
加上标题坐标名
自定义x、y轴范围
同一区域回绘制多个折线
直方图
生成随机数
生成具有正态分布的随机数
绘制直方图
设置直方图宽度、上下线
添加取消轮廓
子图
在子图中绘图

折线图
import matplotlib.pylab as pylab
import numpy
# 折线图
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
# plot(x, y, 展现形式)
pylab.plot(x, y)
pylab.show()


散点图
import matplotlib.pylab as pylab
import numpy
# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
pylab.plot(x, y, 'o')
pylab.show()


改变颜色
import matplotlib.pylab as pylab
import numpy
# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
'''
c-cyan--青色
r-red--红色
m-magente--品红
g-green--绿色
b-blue--蓝色
y-yellow--黄色
k-black--黑色
w-white--白色
'''
pylab.plot(x, y, 'or')
pylab.show()

线条样式
import matplotlib.pylab as pylab
import numpy
# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
'''
- 直线
-- 虚线
-. -.形式
: 细小虚线
'''
pylab.plot(x, y, ':')
pylab.show()

改变散点图点的样式
import matplotlib.pylab as pylab
import numpy
# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
'''
s--方形
h--六角形
H--六角形
*--星形
+--加号
x--x形
d--菱形
D--菱形
p--五角形
'''
pylab.plot(x, y, 'p')
pylab.show()

加上标题坐标名
import matplotlib.pylab as pylab
import numpy
# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
pylab.plot(x, y)
pylab.title('show')
pylab.xlabel('ages')
pylab.ylabel('temp')
pylab.show()


自定义x、y轴范围
pylab.xlim(0, 20)
pylab.ylim(5, 18)

同一区域回绘制多个折线
import matplotlib.pylab as pylab
import numpy

# 折线图/散点图plot
x = [1, 2, 3, 4, 8]
y = [5, 7, 2, 1, 5]
x2 = [1, 3, 6, 8, 10, 12, 19]
y2 = [1, 6, 9, 10, 19, 23, 35]
pylab.plot(x, y)
pylab.plot(x2, y2)
pylab.show()


直方图
生成随机数
随机数生成只是参考http://mamicode.com
import numpy

# random_integers(最小值, 最大值, 个数)
nums = numpy.random.randint(0, 21, 10)
print(nums)


生成具有正态分布的随机数
import numpy
# 生成正态分布随机数
# normal(均属, 西格玛,个数)
data = numpy.random.normal(5.0, 2.0, 10)
print(data)

# result
[ 2.53510641  2.16934431  5.01168189  6.02444439  6.71721442  3.69784716
 -0.02018805  1.48548721  5.24752967  5.64199559]

绘制直方图
from matplotlib import pylab
import numpy

# 生成随机数
data = numpy.random.normal(10.0, 1.0, 10000)
pylab.hist(data)
pylab.show()


data = numpy.random.randint(1, 25, 1000)


设置直方图宽度、上下线
from matplotlib import pylab
import numpy
# 设置直方图宽度、上下线
style = numpy.arange(2, 30, 2)
data = numpy.random.randint(1, 25, 1000)
pylab.hist(data, style)
pylab.show()

添加取消轮廓
pylab.hist(data, style, histtype='stepfilled') 

子图
subplot
from matplotlib import pylab
import numpy
# subplot(行, 列, 当前区域)
data = numpy.random.randint(1, 25, 100)
pylab.subplot(2, 2, 3)
pylab.show()



在子图中绘图
from matplotlib import pylab
import numpy

# subplot(行, 列, 当前区域)
data = numpy.random.randint(1, 25, 100)
# 在子图中绘制
# 两行，第一行两列，第二行一列
# 第一行
pylab.subplot(2, 2, 1)
pylab.subplot(2, 2, 2)
# 第二行
pylab.subplot(2, 1, 2)
pylab.show()


from matplotlib import pylab
import numpy

# subplot(行, 列, 当前区域)
data = numpy.random.randint(1, 25, 100)
# 在子图中绘制
# 两行，第一行两列，第二行一列
# 第一行
pylab.subplot(2, 2, 1)
x1 = [1, 2, 3, 4, 5]
y1 = [1, 2, 3, 4, 5]
pylab.plot(x1, y1)
pylab.subplot(2, 2, 2)
x2 = [5, 2, 3, 8, 6]
y2 = [7, 9, 12, 14, 6]
pylab.plot(x2, y2)
# 第二行
pylab.subplot(2, 1, 2)
x3 = [5, 6, 7, 10, 19, 29]
y3 = [6, 2, 4, 21, 5, 9]
pylab.plot(x3, y3)
pylab.show()

我正在尝试制作一个共享的y轴绘图(连续3个绘图)。
当我尝试为所有三个子批次设置刻度宽度时，以下方法不起作用。在
首先，我试图通过rc params设置tick宽度。这适用于记号长度，但不适用于宽度。我收到以下错误消息：KeyError: 'xtick.major.width is not a valid rc parameter.See rcParams.keys() for a list of valid parameters.'
当查看列表时xtick.major.width是一个有效的参数，那么还有什么问题？在
这里是密码
^{pr2}$
然后，我试图通过在代码的最后几行中进行以下更改来设置记号宽度，并去掉开头的rc参数内容：ax = plt.gca()
ax.tick_params(axis='both',width=5)
for i in range(3):
#grid[i].imshow(extot,interpolation='nearest')
grid[i].imshow(extot,aspect='auto',extent=(kapmin,kapmax,mumin,mumax),interpolation='nearest')
plt.show()
这只改变了3*1系列中最后一个绘图的记号厚度。有没有一种方法可以不使用rc params来访问它们？这也有助于消除勾号标签出现的重叠。在那里，我试图手动设置刻度#plt.xticks([0.02,0.04,0.06], [0.02,0.04,0.06])
#plt.yticks([-0.3,-1.2,-1.1,-1.0], [-0.3,-1.2,-1.1,-1.0])
但同样地，它只改变了网格上最后3个地块的外观。在

直方图

直方图与柱状图的对比


	
柱状图是以矩形的长度表示每一组的频数或数量，其宽度(表示类别)则是固定的，利于较小的数据集分析。
	
	

	
直方图描述的是一组数据的频次分布，是以矩形的长度表示每一组的频数或数量，宽度则表示各组的组距，因此其高度与宽度均有意义，利于展示大量数据集的统计结果。例如把年龄分成“0-5，5-10，……，80-85”17个组，统计一下中国人口年龄的分布情况。直方图有助于我们知道数据的分布情况，诸如众数、中位数的大致位置、数据是否存在缺口或者异常值。

	
1. 直方图展示数据的分布，柱状图比较数据的大小。

	
​ 这是直方图与柱状图最根本的区别。举个例子，有10个苹果，每个苹果重量不同。如果使用直方图，就展示了重量在0-10g的苹果有多少个，10-20g的苹果有多少个；如果使用柱状图，则展示每个苹果的具体重量。

	
　　所以直方图展示的是一组数据中，在你划分的区间里，这些数据的分布情况，但是我们不知道在一个区间里，单个数据的具体大小。上图展现了游客在博物馆的游览时间，其中，将近40％的游客仅逗留了0-10分钟。但是我们无法知道这些游客中，每个人具体的游览时间是多少。

	
​ 而在柱状图里，我们能看到的是每个数据的大小，并且进行比较。下图就比较了在12次展览中，参观者参观时间的中位数，我们能够知道参观的具体用时。

	
 

	
2. 直方图X轴为定量数据，柱状图X轴为分类数据。

	
​ 在直方图中，X轴上的变量是一个个连续的区间，这些区间通常表现为数字，例如代表苹果重量的“0-10g，10-20g……”，代表时间长度的“0-10min，10-20min……”。而在柱状图中，X轴上的变量是一个个分类数据，例如不同的国家名称、不同的游戏类型。

	
 

	
​ 直方图上的每根柱子都是不可移动的，X轴上的区间是连续的、固定的。而柱状图上的每根柱子是可以随意排序的，有的情况下需要按照分类数据的名称排列，有的则需要按照数值的大小排列。

	
3. 直方图柱子无间隔，柱状图柱子有间隔

	
因为直方图中的区间是连续的，因此柱子之间不存在间隙。而柱状图的柱子之间是存在间隔。

	
4. 直方图柱子宽度可不一，柱状图柱子宽度须一致

	
​ 柱状图柱子的宽度因为没有数值含义，所以宽度必须一致。但是在直方图中，柱子的宽度代表了区间的长度，根据区间的不同，柱子的宽度可以不同，但理论上应为单位长度的倍数。

	
　　例如，美国人口普查局（The U.S. Census Bureau）调查了12.4亿人的上班通勤时间，由于通勤时间在45-150分钟的人数太少，因此区间改为45-60分钟、60-90分钟、90-150分钟，其他组距则均为5。

	
　　可以看到，Y轴的数据为“人数/组距”，在这种情况下，每个柱子的面积相加就等于调查的总人数，柱子的面积就有了意义。

	
​ 当上图的Y轴表达的是“区间人数/总人数/组距”，这个直方图就是我们初中学习的“频率分布直方图”，频率指的是“区间数量/总数量”。在这样的直方图中，所有柱子的面积相加就等于1啦。

	
 
	
# 1）准备数据
time = [131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

# 2）创建画布
plt.figure(figsize=(20, 8), dpi=100)

# 3）绘制直方图
# 设置组距
distance = 2
# 计算组数
group_num = int((max(time) - min(time)) / distance)
# 绘制直方图
plt.hist(time, bins=group_num)

# 修改x轴刻度显示
plt.xticks(range(min(time), max(time))[::2])

# 添加网格显示
plt.grid(linestyle="--", alpha=0.5)

# 添加x, y轴描述信息
plt.xlabel("电影时长大小")
plt.ylabel("电影的数据量")

# 4）显示图像
plt.show()

3 直方图注意点

1. 注意组距

​ 组距会影响直方图呈现出来的数据分布，因此在绘制直方图的时候需要多次尝试改变组距。

 

2. 注意Y轴所代表的变量

​ Y轴上的变量可以是频次（数据出现了多少次）、频率（频次/总次数）、频率/组距，不同的变量会让直方图描述的数据分布意义不同。

2.3.4 直方图的应用场景

用于表示分布情况
	
通过直方图还可以观察和估计哪些数据比较集中，异常或者孤立的数据分布在何处
例如：用户年龄分布，商品价格分布

 

饼图

饼图广泛得应用在各个领域，用于表示不同分类的占比情况，通过弧度大小来对比各种分类。饼图通过将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量，每个区块（圆弧）表示该分类占总体的比例大小，所有区块（圆弧）的加和等于 100%。

# 1）准备数据
movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']

place_count = [60605,54546,45819,28243,13270,9945,7679,6799,6101,4621,20105]

# 2）创建画布
plt.figure(figsize=(20, 8), dpi=100)

# 3）绘制饼图
plt.pie(place_count, labels=movie_name, autopct="%1.2f%%", colors=['b','r','g','y','c','m','y','k','c','g','y'])

# 显示图例
plt.legend()

# 添加标题
plt.title("电影排片占比")

# 4）显示图像
plt.show()

添加axis

为了让显示的饼图保持圆形，需要添加axis保证长宽一样

plt.axis('equal')


2.6.3 饼图应用场景

分类的占比情况（不超过9个分类）
例如：班级男女分布占比，公司销售额占比