matplotlib 中的自定义直方图归一化答案

【问题标题】：Custom Histogram Normalization in matplotlibmatplotlib 中的自定义直方图归一化
【发布时间】：2021-05-14 22:37:23
【问题描述】：

我正在尝试在 matplotlib 中制作一个标准化直方图，但是我希望它标准化以便总面积为 1000。有没有办法做到这一点？

我知道要将其标准化为 1，您只需在 plt.hist() 的参数中包含 density=True,stacked=True。一个等效的解决方案是执行此操作并将每列的高度乘以 1000，如果这比更改直方图的归一化更可行的话。

非常感谢您！

【问题讨论】：

标签： python matplotlib histogram

【解决方案1】：

以下方法使用np.histogram 计算每个直方图箱的计数。使用 1000 / total_count / bin_width 作为归一化因子，总面积将为 1000。相反，要使所有条形高度的总和为 1000，则需要因子 1000 / total_count。 plt.bar 用于显示最终结果。

示例代码使用 density=True, 计算相同的组合直方图，以将其与总和为 1000 的新直方图进行比较。

import matplotlib.pyplot as plt
import numpy as np

data = [np.random.randn(100) * 5 + 10, np.random.randn(300) * 4 + 14, np.random.randn(100) * 3 + 17]
fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(12, 4))

ax1.hist(data, stacked=True, density=True)
ax1.set_title('Histogram with density=True')

xmin = min([min(d) for d in data])
xmax = max([max(d) for d in data])
bins = np.linspace(xmin, xmax, 11)
bin_width = bins[1] - bins[0]

counts = [np.histogram(d, bins=bins)[0] for d in data]
total_count = sum([sum(c) for c in counts])
# factor = 1000 / total_count # to sum to 1000
factor = 1000 / total_count / bin_width # for an area of 1000
thousands = [c * factor for c in counts]

bottom = 0
for t in thousands:
    ax2.bar(bins[:-1], t, bottom=bottom, width=bin_width, align='edge')
    bottom += t
ax2.set_title('Histogram with total area of 1000')

plt.show()

【讨论】：

【解决方案2】：

一个简单的方法是设置第二个 y 轴，其刻度标签是原来的乘以 1000，然后隐藏原始轴的刻度：

import matplotlib.pyplot as plt
import numpy as np

data = [np.random.randn(5000)]
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()

#hist returns a tuple that contains a list of y values at its 0 index:
y,_,_ = ax1.hist(data, density=True, bins=10, edgecolor = 'black')

#find max y value of histogram and multiply by 1000:
max_y = np.round(y.max(),1)*1000

#set up the second y-axis ticks as increments of max_y:
ax2.set_ylim(0,max_y)
ax2.set_yticks(np.linspace(0, max_y, 9))

#hide original y-axis ticks:
ax1.axes.yaxis.set_ticks([])
plt.show()

【讨论】：