seaborn.histplot(data=None, *, x=None, y=None, hue=None, weights=None, stat=’count’, bins=’auto’, binwidth=None, binrange=None, discrete=None, cumulative=False, common_bins=True, common_norm=True, multiple=’ calque’, element=’barres’, fill= True, shrink=1, kde=False, kde_kws=None, line_kws=None, thresh=0, pthresh=None, pmax= None, cbar_ax= None, cbar_kws=None, palette=None, hue_order=None, hue_norm=None, color=None, log_scale= None, legend= True, ax=None, **kwargs)¶

Tracé histogrammes univariés ou bivariés pour montrer les distributions de jeux de données.

Un histogramme est un outil de visualisation classique qui représente la distribution d’une ou de plusieurs variables en comptant le nombre d’observations qui tombent dans des bins distincts.

Cette fonction peut normaliser la statistique calculée dans chaque bac pour estimer la fréquence, la densité ou la masse de probabilité, et elle peut ajouter une courbe lisse obtenue en utilisant une estimation de la densité du noyau, similaire à kdeplot().

Plus d’informations sont fournies dans le guide de l’utilisateur.

Données de paramètrespandas.DataFramenumpy.ndarray, mappage ou séquence

Structure de données d’entrée. Soit une collection de vecteurs de forme longue pouvant être assignée à des variables nommées, soit un ensemble de données de forme large qui sera mis en forme en interne.

x, yvectors ou clés dansdata

Variables qui spécifient des positions sur les axes x et y.

huevector ou clé dansdata

Variable sémantique mappée pour déterminer la couleur des éléments de tracé.

weightsvector ou clé dansdata

Si elle est fournie, pondérez la contribution des points de données correspondants en fonction de ces facteurs.

stat {« count », »frequency », « density », « probability »}

Agréger la statistique à calculer dans chaque bac.

• count montre le nombre d’observations

• frequency montre le nombre d’observations divisé par la largeur du bac

• density normalise compte de telle sorte que l’aire de l’histogramme soit 1

• probabilitynormalise le compte de telle sorte que la somme des hauteurs de barre soit 1

binsstr, nombre, vecteur ou une paire de telles valeurs

Paramètre bin générique qui peut être le nom d’une règle de référence, le nombre de bacs ou les ruptures des bacs.Passé à numpy.histogram_bin_edges().

binwidthnumber ou paire de nombres

Largeur de chaque bin, remplace bins mais peut être utilisé avec binrange.

binrangepair de nombres ou une paire de paires

Valeur la plus basse et la plus élevée pour les bords du bac; peut être utilisé soit avec bins ou binwidth. Par défaut, les extrêmes de données.

discretebool

Si True, la valeur par défaut est binwidth=1 et dessine les barres de sorte qu’elles soient centrées sur leurs points de données correspondants. Cela évite les « lacunes » qui peuvent également apparaître lors de l’utilisation de données discrètes (entières).

cumulativebool

Si la valeur est True, tracez le nombre cumulé au fur et à mesure que les bacs augmentent.

common_binsbool

Si True, utilisez les mêmes bacs lorsque les variables sémantiques produisent des multiplots. Si vous utilisez une règle de référence pour déterminer les bins, elle sera computéeavec l’ensemble de données complet.

common_normbool

Si True et en utilisant une statistique normalisée, la normalisation s’appliquera sur l’ensemble de données complet. Sinon, normalisez chaque histogramme indépendamment.

multiple {« layer », « dodge », « stack », « fill »}

Approche pour résoudre plusieurs éléments lorsque le mappage sémantique crée des sous-ensembles.Uniquement pertinent avec des données univariées.

element {« bars », « step », « poly »}

Représentation visuelle de la statistique de l’histogramme.Uniquement pertinent avec des données univariées.

fillbool

Si True, remplissez l’espace sous l’histogramme.Uniquement pertinent avec des données univariées.

shrinknumber

Redimensionne la largeur de chaque barre par rapport à la largeur du bac par ce facteur.Uniquement pertinent avec des données univariées.

kdebool

Si True, calculez une estimation de la densité du noyau pour lisser la distribution et afficher sur le graphique une (ou plusieurs) ligne(s).Uniquement pertinent avec des données univariées.

kde_kwsdict

Paramètres qui contrôlent le calcul de KDE, comme dans kdeplot().

line_kwsdict

Paramètres qui contrôlent la visualisation KDE, transmis à matplotlib.axes.Axes.plot().

nombre de battage ou Aucun

Les cellules avec une statistique inférieure ou égale à cette valeur seront transparentes.Uniquement pertinent avec des données bivariées.

pthreshnumber ou None

Comme thresh, mais une valeur telle que les cellules avec des nombres agrégés (ou d’autres statistiques, lorsqu’elles sont utilisées) jusqu’à cette proportion du total seront transparentes.

pmaxnumber or None

Une valeur qui définit ce point de saturation de la palette de couleurs à une valeur telle que les cellules ci-dessous constituent cette proportion du nombre total (ou une autre statistique, lorsqu’elle est utilisée).

cbarbool

Si True, ajoutez une barre de couleurs pour annoter le mappage de couleurs dans un tracé bivarié.Remarque : Ne prend actuellement pas en charge les tracés avec un puits de variable hue.

cbar_axmatplotlib.axes.Axes

Axes préexistants pour la barre de couleurs.

cbar_kwsdict

Paramètres supplémentaires transmis à matplotlib.figure.Figure.colorbar().

palettestring, list, dict oumatplotlib.colors.Colormap

Méthode pour choisir les couleurs à utiliser lors du mappage de la sémantique hue.Les valeurs de chaîne sont transmises à color_palette(). Les valeurs List ou dict sont simplement un mappage catégoriel, tandis qu’un objet colormap implique un mappage numérique.

hue_ordervector of strings

Spécifiez l’ordre de traitement et de traçage des niveaux catégoriels de la sémantique hue.

hue_normtuple oumatplotlib.colors.Normalize

Soit une paire de valeurs qui définissent la plage de normalisation dans les unités de donnéesou un objet qui mappera des unités de données dans un intervalle. L’Utilisationimplique la cartographie numérique.

couleurmatplotlib color

Spécification de couleur unique lorsque le mappage de teinte n’est pas utilisé. Sinon, theplot essaiera de se connecter au cycle de propriétés matplotlib.

log_scalebool ou nombre, ou paire de bools ou nombres

Définissez une échelle de journal sur l’axe de données (ou les axes, avec des données bivariées) avec la base donnée (par défaut 10), et évaluez le KDE dans l’espace journal.

legendbool

Si False, supprimez la légende des variables sémantiques.

axmatplotlib.axes.Axes

Axes préexistants pour le tracé. Sinon, appelez matplotlib.pyplot.gca() en interne.

kwargs

D’autres arguments de mots clés sont passés à l’une des fonctions matplotlib suivantes:

• matplotlib.axes.Axes.bar() (univariate, element= »bars »)

• matplotlib.axes.Axes.fill_between() (univariate, other element, fill=True)

• matplotlib.axes.Axes.plot() (univariate, other element, fill=False)

• matplotlib.axes.Axes.pcolormesh() (bivariate)

Returnsmatplotlib.axes.Axes

The matplotlib axes containing the plot.

Notes

Le choix des bacs pour calculer et tracer un histogramme peut exercer une influence substantielle sur les informations que l’on est capable de tirer de la visualisation. Si les bacs sont trop grands, ils peuvent effacer des caractéristiques importantes.D’autre part, les bacs trop petits peuvent être dominés par la variabilité aléatoire, obscurcissant la forme de la vraie distribution sous-jacente. La taille du bac par défaut est déterminée à l’aide d’une règle de référence qui dépend de la taille et de la variance de l’échantillon. Cela fonctionne bien dans de nombreux cas (c’est-à-dire avec des données « bien comportées »), mais cela échoue dans d’autres. C’est toujours bon d’essayerdifférentes tailles de bacs pour être sûr de ne pas manquer quelque chose d’important.Cette fonction vous permet de spécifier des bacs de plusieurs manières différentes, par exemple en définissant le nombre total de bacs à utiliser, la largeur de chaque bac ou les emplacements spécifiques où les bacs doivent se casser.

Exemples

Attribuez une variable à x pour tracer une distribution univariée le long de l’axe des x :

penguins = sns.load_dataset("penguins")sns.histplot(data=penguins, x="flipper_length_mm")

Retournez le tracé en affectant la variable de données à l’axe y :

sns.histplot(data=penguins, y="flipper_length_mm")

Vérifiez dans quelle mesure l’histogramme représente les données en spécifiant une largeur de bac différente :

sns.histplot(data=penguins, x="flipper_length_mm", binwidth=3)

sns.histplot(data=penguins, x="flipper_length_mm", bins=30)

sns.histplot(data=penguins, x="flipper_length_mm", kde=True)

sns.histplot(data=penguins)

sns.histplot(data=penguins, x="flipper_length_mm", hue="species")

sns.histplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")

sns.histplot(penguins, x="flipper_length_mm", hue="species", element="step")

sns.histplot(penguins, x="flipper_length_mm", hue="species", element="poly")

sns.histplot( penguins, x="bill_length_mm", hue="island", element="step", stat="density", common_norm=False,)

tips = sns.load_dataset("tips")sns.histplot(data=tips, x="size", stat="probability", discrete=True)

sns.histplot(data=tips, x="day", shrink=.8)

sns.histplot(data=tips, x="day", hue="sex", multiple="dodge", shrink=.8)

planets = sns.load_dataset("planets")sns.histplot(data=planets, x="distance")

sns.histplot(data=planets, x="distance", log_scale=True)

sns.histplot(data=planets, x="distance", log_scale=True, fill=False)

sns.histplot(data=planets, x="distance", log_scale=True, element="step", fill=False)

sns.histplot( data=planets, x="distance", hue="method", hue_order=, log_scale=True, element="step", fill=False, cumulative=True, stat="density", common_norm=False,)

sns.histplot(penguins, x="bill_depth_mm", y="body_mass_g")

sns.histplot(penguins, x="bill_depth_mm", y="body_mass_g", hue="species")

sns.histplot( penguins, x="bill_depth_mm", y="species", hue="species", legend=False)

sns.histplot( planets, x="year", y="distance", bins=30, discrete=(True, False), log_scale=(False, True),)

sns.histplot( planets, x="year", y="distance", bins=30, discrete=(True, False), log_scale=(False, True), thresh=None,)

sns.histplot( planets, x="year", y="distance", bins=30, discrete=(True, False), log_scale=(False, True), pthresh=.05, pmax=.9,)

sns.histplot( planets, x="year", y="distance", bins=30, discrete=(True, False), log_scale=(False, True), cbar=True, cbar_kws=dict(shrink=.75),)