Python Matplotlib.pyplot.violinplot()用法及代码示例

用法： matplotlib.pyplot.violinplot(dataset, positions=None, vert=True, widths=0.5, showmeans=False, showextrema=True, showmedians=False, points=100, bw_method=None, *, data=None)

参数：

1. dataset:它是必需的参数，通常是数组或向量序列。这是将数据馈送到函数的地方。
2. positions:它是一个array-like对象，其默认值为从1到n的数组(即默认= [1、2、3…n])。用于设置小提琴的位置。限制和刻度自动设置为与位置匹配。
3. vert:此参数接受布尔值。此参数的默认值为False。如果设置为True，它将创建一个垂直的小提琴图，否则将设置一个水平的小提琴图。
4. widths:它接受一个array-like对象，默认值为0.5。它用于设置每个小提琴的最大宽度，可以是标量或向量。如果使用默认值，它将占用大约一半的水平空间。
5. showmeans:它接受布尔值，并且默认设置为False。如果设置为true，它将切换均值的呈现
6. showextreama:它接受布尔值，默认情况下设置为False。如果设置为True，它将切换极值的渲染。
7. showmedians:它接受布尔值，并且默认设置为False。如果设置为True，它将切换中位数的呈现。
8. points:它接受标量，默认值为100。它用于定义要计算每个高斯核密度估计的点总数。
9. bw_method:它是一个可选参数，它接受字符串，标量或可调用对象。估计器带宽是使用此方法计算的。它可以是‘silverman’，‘scott’，可调用常量或标量常量。如果是标量，则直接用作kde.factor。如果它是可调用的，则它仅采用GaussianKDE实例并返回标量。如果没有，则使用Scott

返回值：此函数将violin-plot的每个组件的字典映射返回到各个集合实例的列表。返回的字典具有以下键：

• bodies:matplotlib.collections.PolyCollection的实例列表，其中包含每个小提琴的填充区域。
• cmeans:创建matplotlib.collections.LineCollection的实例以标识每个小提琴分布的均值
• cmins:创建了matplotlib.collections.LineCollection的实例来标识每个小提琴发行的底部。
• cmaxes:创建了matplotlib.collections.LineCollection的实例来标识每个小提琴发行的顶部。
• cbars:创建了matplotlib.collections.LineCollection的实例来标识每个小提琴分布的中心。
• cmedians:创建了matplotlib.collections.LineCollection的实例来标识每个小提琴分布的平均值。

import numpy as np 
import matplotlib.pyplot as plt 
  
np.random.seed(21) 
data = np.random.random(111) 
quartile1, median, quartile3 = np.percentile(data, 
                                             [ 50, 75,100], 
                                             axis=0) 
plt.violinplot(data) 
plt.vlines(1, quartile1,  
           quartile3, 
           color='r',  
           linestyle='--') 
  
plt.hlines(quartile1,.7,1.2) 
plt.hlines(quartile3,.7,1.2) 

输出：

范例2：

import matplotlib.pyplot as plt 
  
# Fixing random state for 
# reproducibility 
np.random.seed(15437660) 
  
# creating randomly generate  
# collections / data 
coll_1 = np.random.normal(100, 10, 200) 
coll_2 = np.random.normal(80, 30, 200) 
coll_3 = np.random.normal(90, 20, 200) 
coll_4 = np.random.normal(70, 25, 200) 
  
## combining these different  
# collections into a list 
data_plotter = [coll_1, coll_2,  
                coll_3, coll_4] 
  
plt.violinplot(data_plotter) 
  
plt.show()