1 方法介绍

计算数据的直方图

numpy.histogram(a, bins=10, range=None, density=None, weights=None)

2 参数介绍

a	输入数据，直方图是在展平（flatten）的数据上计算的
bins	bins 是int ——>定义给定范围内等宽 bin 的数量 bins是序列 ——>定义了一个单调递增的 bin 边界数组，包括最右边的边界，允许不均匀的 bin 宽度 bins是字符串 定义了用于计算最佳 bin 宽度的方法 使用所选的方法计算最佳的bin宽度，进而计算bin的数量 'fd' （Freedman-Diaconis 估计器）：鲁棒（对异常值具有鲁棒性）估计器，考虑了数据的变异性和数据大小。 'sturges' 仅考虑数据大小。 对于高斯数据，它是最佳的选择，但对于大型非高斯数据集，会低估bin的数量。 'doane' Sturges 估计器的改进版本，适用于非正态分布的数据集 'scott' 考虑了数据的变异性和数据大小，但鲁棒性较差的估计器 'rice' 仅考虑数据大小，而不考虑变异性。通常会高估所需的bin数量 'sqrt' 数据大小的平方根估计器，Excel 和其他程序使用它，因为它速度快、简单易用 'auto' 'sturges' 和 'fd' 估计器中的较大者。提供了良好的综合性能。 对于可视化，建议使用 'auto' 选项
range	bin的上下界 在range外面的值会被忽略 如果没有给定，那么range就是(a.min,a.max)
weight	和数组 a 具有相同形状的权重数组 为每个数据点指定一个权重，以更准确地计算直方图的结果（默认均为1）
density	如果 density 参数为 False，结果将包含每个箱(bin)中的样本数。 如果 density 参数为 True，结果将是每个箱(bin)处概率密度函数的值，归一化以使范围上的积分为1

3 举例

import numpy as np
np.histogram([1, 2, 1], bins=[0, 1, 2, 3])
#(array([0, 2, 1], dtype=int64), array([0, 1, 2, 3]))np.histogram([1, 2, 1], bins=[0, 1, 2, 3],density=True)
#(array([0.        , 0.66666667, 0.33333333]), array([0, 1, 2, 3]))np.histogram(np.arange(4), bins=np.arange(5), density=True)
#(array([0.25, 0.25, 0.25, 0.25]), array([0, 1, 2, 3, 4]))(array([0.25, 0.25, 0.25, 0.25]), array([0, 1, 2, 3, 4]))
#(array([0.25, 0.25, 0.25, 0.25]), array([0, 1, 2, 3, 4]))
#flatten之后的结果