Python numpy histogram2d用法及代碼示例

本文簡要介紹 python 語言中 numpy.histogram2d 的用法。

用法:

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

計算兩個數據樣本的二維直方圖。

參數：

x： 數組, 形狀 (N,)

包含要進行直方圖分析的點的 x 坐標的數組。

y： 數組, 形狀 (N,)

包含要直方圖的點的 y 坐標的數組。

bins： int or 數組 or [int, int] or [array, array], 可選

箱規格：

• 如果是 int，則為二維的 bin 數量 (nx=ny=bins)。

• 如果 數組，則兩個維度的 bin 邊 (x_edges=y_edges=bins)。

• 如果 [int, int]，每個維度的 bin 數(nx, ny = bins)。

• 如果 [array, array]，則每個維度中的 bin 邊 (x_edges, y_edges = bins)。

• [int, array] 或 [array, int] 的組合，其中 int 是 bin 的數量，array 是 bin 的邊。

range： 數組，形狀(2,2)，可選

沿每個維度的 bin 的最左側和最右側邊(如果未在箱子參數)：[[xmin, xmax], [ymin, ymax]].此範圍之外的所有值都將被視為異常值，並且不計入直方圖中。

density： 布爾型，可選

如果默認為 False，則返回每個 bin 中的樣本數。如果為真，則返回概率密度函數在箱子，bin_count / sample_count / bin_area.

normed： 布爾型，可選

行為相同的密度參數的別名。為了避免與破壞的規範論證混淆numpy.histogram,密度應該是首選。

weights： 數組，形狀(N，)，可選

一組值w_i稱量每個樣品(x_i, y_i).如果權重歸一化為 1規範的是真的。如果規範的為 False，返回的直方圖的值等於屬於每個 bin 的樣本的權重之和。

返回：

H： ndarray，形狀(nx，ny)

樣本 x 和 y 的二維直方圖。 x 中的值沿第一維進行直方圖，y 中的值沿第二維進行直方圖。

xedges： ndarray，形狀(nx+1，)

bin 沿第一個維度邊。

yedges： ndarray，形狀(ny+1，)

箱沿第二個維度邊。

注意：

什麽時候規範的為 True，則返回的直方圖是樣本密度，定義為使得產品的 bin 上的總和bin_value * bin_area是 1。

請注意，直方圖不遵循笛卡爾約定，其中x值在橫坐標和y縱坐標軸上的值。相當，x沿數組的第一個維度(垂直)進行直方圖，並且y沿數組的第二維(水平)。這確保了與numpy.histogramdd.

例子：

>>> from matplotlib.image import NonUniformImage
>>> import matplotlib.pyplot as plt

構建具有可變 bin 寬度的二維直方圖。首先定義 bin 邊：

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

接下來我們創建一個帶有隨機 bin 內容的直方圖 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 隻能顯示方形箱：

>>> 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 可以顯示實際邊：

>>> 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...>

NonUniformImage 可用於顯示帶有插值的實際 bin 邊：

>>> 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.images.append(im)
>>> plt.show()

也可以在不指定 bin 邊的情況下構造二維直方圖：

>>> # 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)

現在我們可以使用 pcolormesh 和 hexbin 繪製直方圖以進行比較。

>>> # 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()