我使用文件中的数据创建了一个直方图，没有问题。现在我想在同一个直方图中叠加来自另一个文件的数据，所以我做了这样的事情
n,bins,patchs = ax.hist(mydata1,100)
n,bins,patchs = ax.hist(mydata2,100)
但问题是，对于每个区间，只有最高值的条出现，而另一个被隐藏。我想知道如何用不同的颜色同时绘制两个直方图。
【问题讨论】：
标签： python matplotlib plot histogram
这里有一个工作示例：
import random
import numpy
from matplotlib import pyplot
x = [random.gauss(3,1) for _ in range(400)]
y = [random.gauss(4,2) for _ in range(400)]
bins = numpy.linspace(-10, 10, 100)
pyplot.hist(x, bins, alpha=0.5, label='x')
pyplot.hist(y, bins, alpha=0.5, label='y')
pyplot.legend(loc='upper right')
pyplot.show()
【讨论】：
pyplot.hold(True)不是一个好主意，以防万一吗？
None。如果您想要与图中所示相同的设计，您可以将两者中的edgecolor 参数设置为k（黑色）。图例的过程与此类似。
pyplot.hist([x, y], bins, alpha=0.5, label=['x', 'y']).
接受的答案给出了带有重叠条的直方图的代码，但如果您希望每个条并排（就像我所做的那样），请尝试以下变体：
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('seaborn-deep')
x = np.random.normal(1, 2, 5000)
y = np.random.normal(-1, 3, 2000)
bins = np.linspace(-10, 10, 30)
plt.hist([x, y], bins, label=['x', 'y'])
plt.legend(loc='upper right')
plt.show()
参考：http://matplotlib.org/examples/statistics/histogram_demo_multihist.html
编辑 [2018/03/16]：更新以允许绘制不同大小的数组，如 @stochastic_zeitgeist 建议的那样
【讨论】：
plt.hist为每个直方图生成一个pdf文件？我使用pandas.read_csv 加载了我的数据，该文件有 36 列和 100 行。所以我想要 100 个 pdf 文件。
x=np.array(df.a) 和y=np.array(df.b.dropna()) 它基本上最终成为plt.hist([x, y], weights=[np.ones_like(x)/len(x), np.ones_like(y)/len(y)])
如果您有不同的样本量，可能很难将分布与单个 y 轴进行比较。例如：
import numpy as np
import matplotlib.pyplot as plt
#makes the data
y1 = np.random.normal(-2, 2, 1000)
y2 = np.random.normal(2, 2, 5000)
colors = ['b','g']
#plots the histogram
fig, ax1 = plt.subplots()
ax1.hist([y1,y2],color=colors)
ax1.set_xlim(-10,10)
ax1.set_ylabel("Count")
plt.tight_layout()
plt.show()
在这种情况下，您可以在不同的轴上绘制两个数据集。为此，您可以使用 matplotlib 获取直方图数据，清除轴，然后在两个单独的轴上重新绘制它（移动 bin 边缘以使其不重叠）：
#sets up the axis and gets histogram data
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
ax1.hist([y1, y2], color=colors)
n, bins, patches = ax1.hist([y1,y2])
ax1.cla() #clear the axis
#plots the histogram data
width = (bins[1] - bins[0]) * 0.4
bins_shifted = bins + width
ax1.bar(bins[:-1], n[0], width, align='edge', color=colors[0])
ax2.bar(bins_shifted[:-1], n[1], width, align='edge', color=colors[1])
#finishes the plot
ax1.set_ylabel("Count", color=colors[0])
ax2.set_ylabel("Count", color=colors[1])
ax1.tick_params('y', colors=colors[0])
ax2.tick_params('y', colors=colors[1])
plt.tight_layout()
plt.show()
【讨论】：
作为对Gustavo Bezerra's answer的补充：
如果您希望对每个直方图进行归一化（normed for mpldensity for mpl>=3.1）您不能只使用 @987654328 @，您需要为每个值设置权重：
import numpy as np
import matplotlib.pyplot as plt
x = np.random.normal(1, 2, 5000)
y = np.random.normal(-1, 3, 2000)
x_w = np.empty(x.shape)
x_w.fill(1/x.shape[0])
y_w = np.empty(y.shape)
y_w.fill(1/y.shape[0])
bins = np.linspace(-10, 10, 30)
plt.hist([x, y], bins, weights=[x_w, y_w], label=['x', 'y'])
plt.legend(loc='upper right')
plt.show()
作为比较，具有默认权重和density=True 的x 和y 向量完全相同：
【讨论】：
您应该使用hist返回的值中的bins：
import numpy as np
import matplotlib.pyplot as plt
foo = np.random.normal(loc=1, size=100) # a normal distribution
bar = np.random.normal(loc=-1, size=10000) # a normal distribution
_, bins, _ = plt.hist(foo, bins=50, range=[-6, 6], normed=True)
_ = plt.hist(bar, bins=bins, alpha=0.5, normed=True)
【讨论】：
当数据大小不同时，这是在同一个图上绘制两个并排的直方图的简单方法：
def plotHistogram(p, o):
"""
p and o are iterables with the values you want to
plot the histogram of
"""
plt.hist([p, o], color=['g','r'], alpha=0.8, bins=50)
plt.show()
【讨论】：
【讨论】：
也是一个与华金回答非常相似的选项：
import random
from matplotlib import pyplot
#random data
x = [random.gauss(3,1) for _ in range(400)]
y = [random.gauss(4,2) for _ in range(400)]
#plot both histograms(range from -10 to 10), bins set to 100
pyplot.hist([x,y], bins= 100, range=[-10,10], alpha=0.5, label=['x', 'y'])
#plot legend
pyplot.legend(loc='upper right')
#show it
pyplot.show()
给出以下输出：
【讨论】：
绘制两个重叠的直方图（或更多）可能会导致图相当混乱。我发现使用step histograms（又名空心直方图）可以大大提高可读性。唯一的缺点是在 matplotlib 中，阶跃直方图的默认图例格式不正确，因此可以像下面的示例一样对其进行编辑：
import numpy as np # v 1.19.2
import matplotlib.pyplot as plt # v 3.3.2
from matplotlib.lines import Line2D
rng = np.random.default_rng(seed=123)
# Create two normally distributed random variables of different sizes
# and with different shapes
data1 = rng.normal(loc=30, scale=10, size=500)
data2 = rng.normal(loc=50, scale=10, size=1000)
# Create figure with 'step' type of histogram to improve plot readability
fig, ax = plt.subplots(figsize=(9,5))
ax.hist([data1, data2], bins=15, histtype='step', linewidth=2,
alpha=0.7, label=['data1','data2'])
# Edit legend to get lines as legend keys instead of the default polygons
# and sort the legend entries in alphanumeric order
handles, labels = ax.get_legend_handles_labels()
leg_entries = {}
for h, label in zip(handles, labels):
leg_entries[label] = Line2D([0], [0], color=h.get_facecolor()[:-1],
alpha=h.get_alpha(), lw=h.get_linewidth())
labels_sorted, lines = zip(*sorted(leg_entries.items()))
ax.legend(lines, labels_sorted, frameon=False)
# Remove spines
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
# Add annotations
plt.ylabel('Frequency', labelpad=15)
plt.title('Matplotlib step histogram', fontsize=14, pad=20)
plt.show()
如您所见，结果看起来很干净。这在重叠甚至超过两个直方图时特别有用。根据变量的分布方式，这最多可用于大约 5 个重叠分布。不仅如此，还需要使用另一种类型的情节，例如here 呈现的情节之一。
【讨论】：
以防万一您有 pandas (import pandas as pd) 或可以使用它：
test = pd.DataFrame([[random.gauss(3,1) for _ in range(400)],
[random.gauss(4,2) for _ in range(400)]])
plt.hist(test.values.T)
plt.show()
【讨论】：
这个问题之前已经回答过，但想添加另一个快速/简单的解决方法，可能会帮助其他访问者解决这个问题。
import seasborn as sns
sns.kdeplot(mydata1)
sns.kdeplot(mydata2)
here 是一些有用的示例，用于 kde 与直方图的比较。
【讨论】：
受所罗门回答的启发，但要坚持与直方图相关的问题，一个干净的解决方案是：
sns.distplot(bar)
sns.distplot(foo)
plt.show()
确保首先绘制较高的直方图，否则您需要设置 plt.ylim(0,0.45) 以便不切断较高的直方图。
【讨论】：