上节课我们讲述了条形图的绘制，本节课我们来讲述直方图的绘制。

1.什么是直方图？

直方图，又称质量分布图，用于表示数据的分布情况，是一种常见的统计图表。一般用横轴表示数据区间，纵轴表示分布情况，柱子越高，则落在该区间的数量越大。直方图和条形图的外观相似。区别主要有以下几点：

1. 条形图用条形的长度（横置时）或高度（纵置时）表示各类别频数的多少，其宽度（表示类别）则是固定的；直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义。
2. 由于分组数据具有连续性，直方图的各矩形通常是连续排列，而条形图则是分开排列。
3. 条形图主要用于展示分类数据的大小，而直方图则主要用于展示数值型数据的分布。

2.直方图的绘制

下面我们就通过例子来看下直方图的绘制。

import numpy as np
from matplotlib import pyplot as plt

plt.style.use('fivethirtyeight')

ages = [18, 19, 21, 25, 26, 26, 30, 32, 38, 45, 55]

plt.hist(ages, bins=5)

plt.title('人员的年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')

plt.tight_layout()

plt.show()

上面的代码中，通过调用 hist 函数来绘制直方图，bins 参数的含义是将整体数据分到几个区间内，在本例中，设置 bins = 5，表示将 ages 中的数据划分到 5 个区间内。执行完上述代码后生成的图形如下图所示：

直方图的高度表示每个区间的人数，虽然代码将数据划分到 5 个区间，但是从图形并不能明显看出每个区间的范围，下面我们为相邻区间加上一个分隔线，例如：

import numpy as np
from matplotlib import pyplot as plt

plt.style.use('fivethirtyeight')

ages = [18, 19, 21, 25, 26, 26, 30, 32, 38, 45, 55]

plt.hist(ages, bins=5, edgecolor='black')

plt.title('人员的年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')

plt.tight_layout()

plt.show()

上面的代码中，我们通过设置参数 edgecolor 为相邻区间加上了一个分隔线，加上分隔线之后的图形如下图所示： 上面的例子中，我们在调用 hist 方法时，只传入了需要划分的区间的个数，并没有规定每个区间的范围，区间范围的划定是自动进行的，当然，我们也可以通过参数来明确指定每个区间的范围。例如：

import numpy as np
from matplotlib import pyplot as plt

plt.style.use('fivethirtyeight')

ages = [18, 19, 21, 25, 26, 26, 30, 32, 38, 45, 55]

bins = [10, 20, 30, 40, 50, 60]

plt.hist(ages, bins=bins, edgecolor='black')

plt.title('人员的年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')

plt.tight_layout()

plt.show()

在上面的代码中，我们通过一个列表来指定各个区间的范围，总共划分了 5 个区间，区间的范围分别是[10,20)，[20,30)，[30,40)，[40,50)，[50,60)。年龄在 [10,20) 区间内的人数为 2，在 [20,30) 区间内的人数为 4，在 [30,40) 区间内的人数为 3，在 [40,50) 区间内的人数为 1，在 [50,60) 区间内的人数为 1。执行完上述代码后生成的图形如下图所示： 手动指定区间的好处是，如果我们不想要某个区间的数据，直接在 bins 参数中去掉就可以了。例如：

import numpy as np
from matplotlib import pyplot as plt

plt.style.use('fivethirtyeight')

ages = [18, 19, 21, 25, 26, 26, 30, 32, 38, 45, 55]

bins = [20, 30, 40, 50, 60]

plt.hist(ages, bins=bins, edgecolor='black')

plt.title('人员的年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')

plt.tight_layout()

plt.show()

在上面的代码中，我们去掉了 [10,20) 这个区间，得到的图形如下图所示： 由于直方图描述的是数据的分布，有时候我们需要画出平均值的位置，例如：

import numpy as np
from matplotlib import pyplot as plt

plt.style.use('fivethirtyeight')

ages = [18, 19, 21, 25, 26, 26, 30, 32, 38, 45, 55]

bins = [10, 20, 30, 40, 50, 60]

plt.hist(ages, bins=bins, edgecolor='black')

avg_age = 30.5

plt.axvline(avg_age, color='red', linewidth=2, label='平均值')

plt.title('人员的年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')

plt.tight_layout()
plt.legend()
plt.show()

在上面的代码中，我们通过 axvline 来画出表示平均值的一条垂直的线，得到的图形如下图所示： 在上图中，垂直的红线代表的是平均值。

3.应用场景

3.1 适用场景

1. 房价分布
2. 人口年龄分布

4.总结

本节课我们讲述了直方图的绘制以及直方图的适用场景。