seaborn.histplot(data=None, *, x=None, y=None, hue=None, vikter=None, stat=’count’, soptunnor=’auto’, binwidth=None, binrange=None, discrete=None, kumulativ=False, common_bins=True, common_norm=True, multiple=’layer’, element=’bars’, fill=true, Shrink=1, KDE=False, kde_kws=None, line_kws=None, Thresh=0, pthresh=none, Pmax=none, cbar=false, cbar_ax=none, cbar_kws=none, palette=None, hue_order=none, hue_norm=None, color=None, Log_scale=None, Legend=True, AX=None, **kwargs) univariat eller bivariat histogram för att visa fördelningar av datauppsättning.

ett histogram är ett klassiskt visualiseringsverktyg som representerar fördelningenav en eller flera variabler genom att räkna antalet observationer som faller inomdisreta fack.

denna funktion kan normalisera statistiken beräknad inom varje fack för att estimatefrequency, densitet eller sannolikhetsmassa, och den kan lägga till en jämn kurva erhållenmed hjälp av en kärndensitetsuppskattning, liknande kdeplot().

Mer information finns i användarhandboken.

parameterdatapandas.DataFramenumpy.ndarray, kartläggning eller sekvens

Indatastruktur. Antingen en långformad samling av vektorer som kan tilldelas namngivna variabler eller en bredformad dataset som kommer att internallyreshaped.

x, yvektorer eller nycklar idata

variabler som anger positioner på X-och y-axlarna.

huevector eller nyckel idata

semantisk variabel som är mappad för att bestämma färgen på plotelement.

weightsvector eller nyckel idata

om det tillhandahålls, vikt bidraget från motsvarande datapunktermot räkningen i varje fack av dessa faktorer.

stat {”count”, ”frequency”, ”density”, ”probability”}

Aggregate statistik för att beräkna i varje fack.

• count visar antalet observationer

• frequency visar antalet observationer dividerat med bin bredd

• density normaliserar räkningar så att histogrammets område är 1

• probability normaliserar räknas så att summan av stapelhöjderna är 1

binsstr, tal, vektor eller ett par sådana värden

Generisk bin-parameter som kan vara namnet på en referensregel, antalet fack eller rasterna i facken.Skickas till numpy.histogram_bin_edges().

binwidthnumber eller par av siffror

bredden på varje fack, åsidosätter bins men kan användas medbinrange.

binrangepair av siffror eller ett par par

lägsta och högsta värde för bin kanter; kan användas antingenmedbins ellerbinwidth. Standardvärden för data ytterligheter.

discretebool

Om True, standard till binwidth=1 och rita staplarna så att de är centrerade på motsvarande datapunkter. Detta undviker” luckor ” som kanannars visas när du använder diskreta (heltal) data.

kumulativebool

om sant, Rita de kumulativa räkningarna som lagerplatser ökar.

common_binsbool

om sant, använd samma fack när semantiska variabler producerar multipleplots. Om du använder en referensregel för att bestämma facken, kommer den att beräknasmed hela datauppsättningen.

common_normbool

Om True och använder en normaliserad statistik kommer normaliseringen att gälla över hela datauppsättningen. Annars normalisera varje histogram oberoende.

multiple {”layer”, ”dodge”, ”stack”, ”fill”}

tillvägagångssätt för att lösa flera element när semantisk kartläggning skapar delmängder.Endast relevant med univariata data.

element {”staplar”, ”steg”, ”poly”}

visuell representation av histogramstatistiken.Endast relevant med univariata data.

fillbool

om sant, fyll i utrymmet under histogrammet.Endast relevant med univariata data.

krympnummer

skala bredden på varje stapel i förhållande till binbredden med denna faktor.Endast relevant med univariata data.

kdebool

om sant, beräkna en uppskattning av kärndensiteten för att jämna ut fördelningen och visa på diagrammet som(en eller flera) rader.Endast relevant med univariata data.

Kde_kwsdict

parametrar som styr KDE-beräkningen, som i kdeplot().

Line_kwsdict

parametrar som styr KDE visualisering, skickas tillmatplotlib.axes.Axes.plot().

threshnumber eller ingen

celler med en statistik mindre än eller lika med detta värde kommer att vara transparent.Endast relevant med bivariata data.

pthreshnumber eller ingen

som thresh, men ett värde i sådant att celler med aggregat räknas(eller annan statistik, när den används) upp till denna andel av den totala kommer att varagenomskinlig.

pmaxnumber eller ingen

ett värde i det sätter den mättnadspunkten för färgkartan till ett värdeså att cellerna nedan är förstoppar denna andel av det totala antalet (ellerAndra statistik, när de används).

cbarbool

om sant, Lägg till en färgfält för att kommentera färgmappningen i en bivariat plot.Obs: stöder för närvarande inte tomter med en hue variabel brunn.

cbar_axmatplotlib.axes.Axes

befintliga axlar för färgfältet.

cbar_kwsdict

ytterligare parametrar skickas till matplotlib.figure.Figure.colorbar().

palettestring, list, dict ellermatplotlib.colors.Colormap

metod för att välja färger som ska användas vid mappning av hue semantisk.Strängvärden skickas till color_palette(). Lista eller dict valueshelt enkelt kategorisk kartläggning, medan ett colormap-objekt innebär numerisk kartläggning.

hue_ordervector av strängar

ange ordningen för bearbetning och plottning för kategoriska nivåer avhue semantisk.

hue_normtuple ellermatplotlib.colors.Normalize

antingen ett par värden som ställer in normaliseringsområdet i dataenhetereller ett objekt som kommer att mappas från dataenheter till ett intervall. Användninginnebär numerisk kartläggning.

färgmatplotlib color

enfärgspecifikation för när färgtonskartläggning inte används. Annars kommer theplot att försöka ansluta sig till matplotlib-egenskapscykeln.

log_scalebool eller number, eller par bools eller numbers

Ställ in en loggskala på dataaxeln (eller axlarna, med bivariata data) med den givna basen (Standard 10) och utvärdera KDE i loggutrymme.

legendbool

om falskt, undertrycka legenden för semantiska variabler.

axmatplotlib.axes.Axes

befintliga axlar för diagrammet. Annars Ring matplotlib.pyplot.gca()internt.

kwargs

andra sökordsargument skickas till en av följande matplotlibfunktioner:

• 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.

anteckningar

valet av fack för beräkning och plottning av ett histogram kan utöva ett väsentligt inflytande på de insikter som man kan dra från visualisering. Om facken är för stora kan de radera viktiga funktioner.Å andra sidan kan soptunnor som är för små domineras av slumpvariabilitet, vilket döljer formen på den verkliga underliggande fördelningen. Standardfackstorleken bestäms med hjälp av en referensregel som beror på samplingsstorlek och varians. Detta fungerar bra i många fall (dvs. med”välskötta” data) men det misslyckas i andra. Det är alltid bra att försökaolika binstorlekar för att vara säker på att du inte saknar något viktigt.Med den här funktionen kan du ange fack på flera olika sätt, t.ex. genom att ställa in det totala antalet fack som ska användas, bredden på varje fack eller specifika platser där facken ska gå sönder.

exempel

tilldela en variabel till x för att plotta en univariat fördelning längs X-axeln:

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

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

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),)