Matplotlib-Xticks werden nicht mit Histogramm angezeigt

Kurze Antwort: Verwenden plt.hist(data, bins=range(50)) statt um Links ausgerichtet Ablagen plt.hist(data, bins=np.arange(50)-0.5) zu bekommen zentriert Ablagen, etc.

Auch, wenn es um performance geht, weil Sie wollen, Grafen von eindeutigen zahlen, es gibt ein paar etwas effizienter Methoden (np.bincount) , zeige ich am Ende.

Problem Statement

Als stand-alone-Beispiel von, was Sie sehen, sollten Sie Folgendes beachten:

import matplotlib.pyplot as plt
import numpy as np

# Generate a random array of integers between 0-9
# data.min() will be 0 and data.max() will be 9 (not 10)
data = np.random.randint(0, 10, 1000)

plt.hist(data, bins=10)
plt.xticks(range(10))
plt.show()

Als Sie bemerkt habe, die Behälter sind nicht ausgerichtet mit ganzzahligen Abständen. Dies ist im Grunde, weil Sie gebeten, für 10 Behälter zwischen 0 und 9, was nicht ganz das gleiche wie zu Fragen, für Plätze, für die 10 einzigartige Werte.

Die Anzahl der Plätze, die Sie wollen, ist nicht genau die gleiche wie die Anzahl der eindeutigen Werte. Was Sie eigentlich tun sollten, ist in diesem Fall, geben Sie manuell die bin-Kanten.

Zu erklären, was Los ist, können wir überspringen matplotlib.pyplot.hist und verwenden nur die zugrunde liegenden numpy.histogram Funktion.

Zum Beispiel, sagen wir, Sie haben die Werte [0, 1, 2, 3]. Ihr Erster Instinkt wäre zu tun:

In [1]: import numpy as np

In [2]: np.histogram([0, 1, 2, 3], bins=4)
Out[2]: (array([1, 1, 1, 1]), array([ 0.  ,  0.75,  1.5 ,  2.25,  3.  ]))

Dem ersten array zurückgegeben wird, der zählt, und das zweite ist das bin-Kanten (in anderen Worten, wo die bar Kanten würden in Ihrem plot).

Beachten Sie, dass wir Holen den Grafen, dass wir erwarten würden, sondern weil wir uns gefragt, für 4 Behälter zwischen min-und max-Daten, bin-Kanten nicht auf ganzzahlige Werte.

Nächsten, die Sie versuchen könnten:

In [3]: np.histogram([0, 1, 2, 3], bins=3)
Out[3]: (array([1, 1, 2]), array([ 0.,  1.,  2.,  3.]))

Beachten Sie, dass die bin-Kanten (der zweiten Reihe) sind das, was Sie erwartet hatten, aber der zählt nicht. Das ist, weil die Letzte bin anders verhält als die anderen, wie bereits in der Dokumentation für numpy.histogram:

Notes
-----
All but the last (righthand-most) bin is half-open.  In other words, if
`bins` is::

  [1, 2, 3, 4]

then the first bin is ``[1, 2)`` (including 1, but excluding 2) and the
second ``[2, 3)``.  The last bin, however, is ``[3, 4]``, which *includes*
4.

Daher, was Sie eigentlich tun sollten, ist genau anzugeben, welche Kanten bin, die Sie wollen, und Sie entweder ein jenseits Ihr letzter Datenpunkt-oder Umschalt-bin-Kanten an den 0.5 Abständen. Zum Beispiel:

In [4]: np.histogram([0, 1, 2, 3], bins=range(5))
Out[4]: (array([1, 1, 1, 1]), array([0, 1, 2, 3, 4]))

Bin Angleichung

Nun wenden Sie diese auf das erste Beispiel und sehen, wie es aussieht:

import matplotlib.pyplot as plt
import numpy as np

# Generate a random array of integers between 0-9
# data.min() will be 0 and data.max() will be 9 (not 10)
data = np.random.randint(0, 10, 1000)

plt.hist(data, bins=range(11)) # <- The only difference
plt.xticks(range(10))
plt.show()

Okay, Super! Allerdings haben wir jetzt effektiv haben Linksbündig bins. Was, wenn wir wollten zentriert Mülltonnen, um besser widerspiegeln die Tatsache, dass diese eindeutige Werte?

Der schnelle Weg ist, einfach mit shift-bin-Kanten:

import matplotlib.pyplot as plt
import numpy as np

# Generate a random array of integers between 0-9
# data.min() will be 0 and data.max() will be 9 (not 10)
data = np.random.randint(0, 10, 1000)

bins = np.arange(11) - 0.5
plt.hist(data, bins)
plt.xticks(range(10))
plt.xlim([-1, 10])

plt.show()

Gleichermaßen für rechts-ausgerichtet Ablagen, die einfach verschoben werden, indem -1.

Ein weiterer Ansatz

Für den besonderen Fall der eindeutige integer-Werte, gibt es eine andere, effizientere Ansatz, den wir nehmen können.

Wenn man sich mit eindeutigen integer zählt, beginnend bei 0, du bist besser dran mit numpy.bincount als mit numpy.hist.

Beispiel:

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randint(0, 10, 1000)
counts = np.bincount(data)

# Switching to the OO-interface. You can do all of this with "plt" as well.
fig, ax = plt.subplots()
ax.bar(range(10), counts, width=1, align='center')
ax.set(xticks=range(10), xlim=[-1, 10])

plt.show()

Es gibt zwei große Vorteile dieses Ansatzes. Ist die Geschwindigkeit. numpy.histogram (und daher plt.hist) im Grunde läuft die Daten über numpy.digitize und dann numpy.bincount. Denn Sie beschäftigen sich mit der eindeutige integer-Werte, es gibt keine Notwendigkeit, nehmen Sie die numpy.digitize Schritt.

Aber der größere Vorteil ist mehr Kontrolle über die Anzeige. Wenn Sie lieber dünnere Rechtecke, verwenden Sie einfach eine kleinere Breite:

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randint(0, 10, 1000)
counts = np.bincount(data)

# Switching to the OO-interface. You can do all of this with "plt" as well.
fig, ax = plt.subplots()
ax.bar(range(10), counts, width=0.8, align='center')
ax.set(xticks=range(10), xlim=[-1, 10])

plt.show()

InformationsquelleAutor der Antwort Joe Kington