情节 – 直方图

由 Karl Pearson 引入，直方图是数值数据分布的准确表示，它是对连续变量 (CORAL) 概率分布的估计。它看起来类似于条形图，但是，条形图涉及两个变量，而直方图只涉及一个变量。

直方图需要bin（或bucket）将整个值范围划分为一系列区间——然后计算每个区间有多少值。bin 通常指定为变量的连续、非重叠区间。垃圾箱必须相邻，并且通常大小相同。在箱子上方竖立一个矩形，其高度与频率（每个箱子中的病例数）成正比。

直方图跟踪对象由go.Histogram()函数返回。它的定制是通过各种参数或属性完成的。一个基本参数是 x 或 y 设置为列表、numpy 数组或Pandas 数据帧对象，这些对象将分布在 bin 中。

默认情况下，Plotly 将数据点分布在自动调整大小的 bin 中。但是，您可以定义自定义 bin 大小。为此，您需要将 autobins 设置为 false，指定nbins（bin 数量）、其开始和结束值以及大小。

以下代码生成一个简单的直方图，显示学生在班级内的分数分布（自动调整大小） –

import numpy as np
x1 = np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])
data = [go.Histogram(x = x1)]
fig = go.Figure(data)
iplot(fig)

输出如下所示 –

所述go.Histogram（）函数接受histnorm，其指定用于该直方图跟踪正常化的类型。默认为“”，每个条形的跨度对应于出现的次数（即位于 bin 内的数据点数）。如果分配了“percent” / “probability”，则每个条形的跨度对应于相对于样本点总数的百分比/发生率。如果它等于“密度”，则每个条形的跨度对应于 bin 中出现的次数除以 bin 间隔的大小。

还有一个histfunc参数，其默认值为count。因此，bin 上矩形的高度对应于数据点的计数。它可以设置为 sum、avg、min 或 max。

的直方图（）函数可以被设置为显示在连续的二进制位值的累积分布。为此，您需要将累积属性设置为启用。结果如下所示 –

data=[go.Histogram(x = x1, cumulative_enabled = True)]
fig = go.Figure(data)
iplot(fig)

输出如下所述 –