作者 / 七八分

公众号 / 叮当学术

发布计算机辅助药物设计相关知识，分享分子模拟软件教程及各类科研干货。轻松科研，简单生活~

全文共3059字，推荐阅读时间3分钟。

在数据可视化的领域，直方图作为一种常用的图表类型，可以帮助我们理解和揭示数据的分布情况。而Seaborn作为一个强大的Python数据可视化库，提供了简单易用且美观的函数，使绘制直方图变得轻而易举。笔者最近在学习Python，本文就记录一下如何使用Seaborn绘制直方图，以及如何根据需要进行进一步的定制。

直方图简介

直方图是一种用于展示数据分布情况的图表类型。它将数据划分为若干等宽的区间（也称为"箱子"或"柱"），并统计每个区间中数据的数量或频率。直方图的横轴代表数据的取值范围，纵轴则表示数据的频数或频率。通过直方图，我们可以了解数据的中心趋势、偏斜程度和异常值等重要信息。

Seaborn简介

Seaborn是建立在Matplotlib之上的Python数据可视化库，在 Matplotlib 的基础上，进行了更高级的封装，旨在提供更高级、更美观的图形界面。Seaborn的设计原则是简单性、一致性和美观性。即便是没有什么基础的人，也能通过极简的代码，做出具有分析价值而又十分美观的图形，作图更加方便快捷。它内置了许多常用的数据可视化类型，包括直方图、散点图、线图等，并提供了丰富的定制选项，使用户能够轻松地调整图形的外观和风格。

绘制直方图

下面就为大家介绍直方图的绘制方法，只需要很简单的代码：

首先导入需要的绘图模块：

import matplotlib.pyplot as plt

import seaborn as sns

import pandas as pd

下面导入数据，最常见的便是Excel的.xlsx文件了，当然也可以是其它的文件格式，导入时提供文件名及sheet名，可以print出来看一下数据有没有问题。

#读取数据

df = pd.read_excel('titanic.xlsx','sheetname')

print(df)

这里笔者使用的是Seaborn的内置数据，将其复制到了Excel中，如果是做练习，也可直接调用：

titanic=sns.load_dataset('titanic')

数据内容如下：

survived pclass sex age sibsp parch fare embarked class \

0 0 3 male 22.0 1 0 7.2500 S Third

1 1 1 female 38.0 1 0 71.2833 C First

2 1 3 female 26.0 0 0 7.9250 S Third

3 1 1 female 35.0 1 0 53.1000 S First

4 0 3 male 35.0 0 0 8.0500 S Third

.. ... ... ... ... ... ... ... ... ...

886 0 2 male 27.0 0 0 13.0000 S Second

887 1 1 female 19.0 0 0 30.0000 S First

888 0 3 female NaN 1 2 23.4500 S Third

889 1 1 male 26.0 0 0 30.0000 C First

890 0 3 male 32.0 0 0 7.7500 Q Third

who adult_male deck embark_town alive alone

0 man True NaN Southampton no False

1 woman False C Cherbourg yes False

2 woman False NaN Southampton yes True

3 woman False C Southampton yes False

4 man True NaN Southampton no True

.. ... ... ... ... ... ...

886 man True NaN Southampton no True

887 woman False B Southampton yes True

888 woman False NaN Southampton no False

889 man True C Cherbourg yes True

890 man True NaN Queenstown no True

[891 rows x 15 columns]

需要注意的是，该示例数据中“age”一列有缺失的值，如果需要使用该列数据绘制图形，需要先做一个缺失值的去除，可以直接使用dropna() 方法删掉存在缺失值的数据：

#去除“age”列的缺失值

new_age=df['age'].dropna()

下面设置画布的大小，风格，字体及其大小，根据需要设置即可。

#设置画布的大小、绘图风格、字体类型和大小

sns.set_theme(style='white',font='Arial',font_scale=1.2,rc={'figure.figsize':(8,4)})

接下来就可以直接绘制直方图了，这里笔者选择绘制直方图的同时拟合密度曲线，方便观察数据分布的变化规律；并且提供了颜色代码，设置图形的颜色；如果数据量很大，可以通过“log_scale”参数设置x轴或y轴是否log处理。

#绘制直方图+密度曲线

sns.histplot(data=df, x=new_age,kde=True,bins=30,log_scale=(False, False),color="#4CB391",)

此时绘制的图形如下：

如果不需要密度曲线，可以将上面代码的“kde=True”更改为“kde=False”，默认为“True”。

代码中的“bins”可控制分布柱形的数量，如增加数量：

sns.histplot(data=df, x=new_age,kde=True,bins=100,log_scale=(False, False),color="#4CB391",)

还可以对图形最更细节的修改，如更改x轴或y轴的名称，更改x轴和y轴标签的字体和大小等。

#更改x轴或y轴的名称

plt.xlabel('New_name')

plt.ylabel('New_Count')

# 更改x轴和y轴标签的字体和大小

plt.xticks(fontname='Arial', fontsize=12)

plt.yticks(fontname='Arial', fontsize=12)

最后，可以将绘制好的图形保存，也可选择其它格式图像保存；通过“bbox_inches='tight'”来避免保存时部分文字被遮挡的情况。

plt.savefig('Histogram.png',dpi=600,bbox_inches='tight')

完整的代码如下：

import matplotlib.pyplot as plt

import seaborn as sns

import pandas as pd

#去除“age”列的缺失值

new_age=df['age'].dropna()

#设置画布的大小、绘图风格、字体类型和大小

sns.set_theme(style='white',font='Arial',font_scale=1.2,rc={'figure.figsize':(8,4)})

#绘制直方图+密度曲线

sns.histplot(data=df, x=new_age,kde=True,bins=30,log_scale=(False, False),color="#4CB391",)

#导出图像，设置dpi为600

plt.savefig('Histogram.png',dpi=600,bbox_inches='tight')

以上就是本期内容为大家分享的使用python绘制直方图的全部内容了。

转自：“叮当学术”微信公众号

如有侵权，请联系本站删除！