Python Matplotlib.pyplot.violinplot()用法及代碼示例

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)

參數：

1. dataset:它是必需的參數，通常是數組或向量序列。這是將數據饋送到函數的地方。
2. positions:它是一個array-like對象，其默認值為從1到n的數組(即默認= [1、2、3…n])。用於設置小提琴的位置。限製和刻度自動設置為與位置匹配。
3. vert:此參數接受布爾值。此參數的默認值為False。如果設置為True，它將創建一個垂直的小提琴圖，否則將設置一個水平的小提琴圖。
4. widths:它接受一個array-like對象，默認值為0.5。它用於設置每個小提琴的最大寬度，可以是標量或向量。如果使用默認值，它將占用大約一半的水平空間。
5. showmeans:它接受布爾值，並且默認設置為False。如果設置為true，它將切換均值的呈現
6. showextreama:它接受布爾值，默認情況下設置為False。如果設置為True，它將切換極值的渲染。
7. showmedians:它接受布爾值，並且默認設置為False。如果設置為True，它將切換中位數的呈現。
8. points:它接受標量，默認值為100。它用於定義要計算每個高斯核密度估計的點總數。
9. bw_method:它是一個可選參數，它接受字符串，標量或可調用對象。估計器帶寬是使用此方法計算的。它可以是‘silverman’，‘scott’，可調用常量或標量常量。如果是標量，則直接用作kde.factor。如果它是可調用的，則它僅采用GaussianKDE實例並返回標量。如果沒有，則使用Scott

返回值：此函數將violin-plot的每個組件的字典映射返回到各個集合實例的列表。返回的字典具有以下鍵：

• bodies:matplotlib.collections.PolyCollection的實例列表，其中包含每個小提琴的填充區域。
• cmeans:創建matplotlib.collections.LineCollection的實例以標識每個小提琴分布的均值
• cmins:創建了matplotlib.collections.LineCollection的實例來標識每個小提琴發行的底部。
• cmaxes:創建了matplotlib.collections.LineCollection的實例來標識每個小提琴發行的頂部。
• cbars:創建了matplotlib.collections.LineCollection的實例來標識每個小提琴分布的中心。
• cmedians:創建了matplotlib.collections.LineCollection的實例來標識每個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) 

輸出：

範例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()