极简速汇和极简汇率有什么区别,极简汇率汇款安全吗
当我们得到数据时，我们想第一时间了解数据的特征。而鹅的个别数值，如平均值、中位数等，不够直观。我们得到了数据的分布，可以利用频率分布直方图进行后续工作。这里以我的实际问题为例，一步步讲解如何得到想要的图。可分为极简版、完整版、高级版。
画一个总结。有关本系列的其他文章，请参见：
【数据处理】python极限图(黑白)3354简单条形图、亮蜂平行条形图(数据处理)(python极限图354度率)分布直方图)数据处理)python极限图354
1.纯python自己写的
2.调整2。matplotlib.pyplot，hist
3.3 .调整数据框和主机。熊猫
4.锡伯恩绘画。
有兴趣的同学用Python教你五种摆弄直方图直方图的方法。本节主要介绍基于matplotlib.pyplot的绘图方法
将数字数据整理成一列。可以是list或者numpy.array这里我们采用在纽约发布的某个时期的事件的生命周期，观察它们的分布。下图显示了数据。17013是数据的个数。
虽然最简单的版本是以度分布直方图为例，但是要改成度分布直方图，可以使用PLT.hist(x，normalized=true)。注意纵轴不是概率，是面积。
PLT . figure(# chart x=life _ cycle PLT . hist(x))直方图按钮操作PLT.grid (alpha=0.5，linestyle=-. ))初始化网格线，然后点击PLT.xlabel(生命周期/月) (PLT.ylabel)事件数)(
总体分布呈现长尾分布特征。可以看出，这种分布的数据集中在“头部”，而“尾部”太长，越靠近尾部就越少。
可以看出，在没有参数控制的情况下绘制极小列表是有一些问题的。
说明能力问题。数据表现并不充分，仅从图中可以看出大部分事件的生命周期为0~20个月。但是鹅在10月到10月看不到更细的分布，所以解释很可能是不正确的。(大部分可能集中在一个比较小的范围。尺度问题。长尾，太长尾，刻度间隔太大，不知道长方体之间的刻度是多少。微调这些问题。
最小版本微调所有微调都基于plt.hist()参数，所有参数如下：
matplotlib.pyplot.hist(x，bins=10，range=None，normed=False，weights=None，cumulative=False，bottom=nom)
同样，更精细的分布往往更有意义，可以看出数据集中在最前面。但调整后，整个画面看起来“画布太大，内容太少”。这也是因为尾巴太长。大约55，你可以看到没有什么蓝色了。这么少的数据对我的问题没有任何意义。进行以下“切尾”。
最后我们选择55，本质上是忽略了一定规模后的数据。这由参数范围控制。将范围(0 0，55)添加到历史记录()。
水平轴显示高达50，但是直方图也相应地改变。好像46~50部分没有数据。它表明，肉眼观察并不总是比数据输出更真实。那么，有什么方法可以知道每根直杆的长度和宽度呢？
实际上，hist函数有一个返回值。接受它的返回值并尝试输出它。
n，bin，Patches=PLT.hist(x，bins=50，range=(0，55))print(n(n)bin(print)Patches)).
n对应于纵坐标值，面元对应于横坐标值，面片是具体的条形对象。可以按n和bin调试。通常情况下，bin对应一个整数，N如果不是太小就不显示。
如果面元是整数，长方体面元的数量和截距的长度范围必须相同。设置bins=55和range=(0，55)以尝试输出。
希望刻度能显示的更精细，所以解决刻度的问题。
表示刻度plt.xticks的音调，即添加下面的语句来表示刻度。
从0开始，按1形成算术级数一直到55。
plt.xticks(np.arange(0，55，1))
很明显，虽然加了尺度，但是因为尺度太密，画面太大，挤在一起很难看。解决的方法有很多：
让画布变大，刻度区间变大，比如0，2，4，6，…继续截断完整版。这时候我的做法是把2和3合二为一，继续调整bin和range，把尺度区间改为2，在有限的画面尺寸下尽可能的美观。最后调的是Bins=40，Range=(0，40)，NP。排列(0，40，2)。
Plt.figure() #初始化一张图片x=life_cyclewidth=40 #并整合成一个参数n，bins，patches=plt.hist (x，bins=width，range=(0，Width))# print(n)# print(bins)# print(patches)PLT . grid(alpha=0.5，linestyle=-. )#网格线，在plt.xlabel(生命周期/月)plt.ylabel(事件数)plt.title (r 纽约事件生命周期频率分布直方图)# citys[I])PLT . x ticks(NP . arange(0，width，2))plt.show()
接下来我的图在功能上比较完整，更好的说明了大部分事件的生命周期只有2个月以内。如前所述，这种分布是一种长尾分布。可以用曲线来拟合我的形象吗？
高级路符合上面提到的曲线，也就是我们常说的“内核”。有哪些大家比较熟悉的cdxx内核，gamma内核等。如果使用核函数进行拟合，seaborn更容易使用。请动：Python可视化 Seaborn5分钟简介(1) ——kdeplot和distplot。这里我们只实现直方图中点的折线连接。关键代码：
PLT . plot(bins[0:width]((bins[1]-bins[0])/2.0)，n，color= red) #使用返回值绘制间隔的中点。实现方法是连接，效果如下：
再放一张长尾分布的图做对比，很直观。
美主要是改变颜色或者透明度。我的审美em…我们自己调整吧。
Plt.figure() #初始化一张图片x=life _ cyclewidth=40n，bins，patches=plt.hist (x，bins=width，range=(0，width)，color= blue ，Alpha=0.5)# print(n)# print(bins)# print(patches)PLT . grid(Alpha=0.5，linestyle=-. )# gridline，在plt.xlabel(生命周期/月)plt.ylabel(事件数)plt.title (r 纽约事件生命周期频率分布直方图)# Citys [I]) PLT。x票(NP。Arange (0，width，2)) PLT。plot(bins[0:width]((bins[1]-bins[0])/2.0)，n，color= red) #绘制返回值
