numpy.histogram2d

numpy.histogram2d(x, y, bins=10, range=None, normed=False, weights=None)[source]

计算两个数据样本的二维直方图。

参数：	x：array_like，shape（N，）包含要被直方图化的点的x坐标的数组。 y：array_like，shape（N，）包含要被直方图化的点的y坐标的数组。 bins：int或array_like或[int，int]或[数组，数组]，可选 bin规范：如果int，两个维度的仓的数量（nx = ny = bin）。如果array_like，二维的二进制边（x_edges = y_edges = bins）。如果[int，int]，每个维度中的块数（nx，ny = bin）。如果[数组，数组]，每个维度中的bin边（x_edges，y_edges = bins）。组合[int，数组]或[数组，int]，其中int是二进制数的数字，数组是二进制边。范围：array_like，shape（2,2），可选沿着每个维度的仓的最左边缘和最右边缘（如果未在bin参数中明确指定）：`[[xmin， xmax] / t3> [ymin， ymax]]`。超出此范围的所有值将被视为离群值，而不在直方图中计算。 normed：bool，可选如果为False，则返回每个bin中的样本数。如果为True，则返回bin密度`bin_count / sample_count / bin_area` 。权限：array_like，shape（N，），可选对每个样本`（x_i， y_i）`加权的数组`w_i`。如果normed为True，则权重被归一化为1。如果normed为False，则返回的直方图的值等于属于落入每个仓中的样本的权重的和。
返回：	H：ndarray，shape（nx，ny）样本的二维直方图x和y。x中的值沿第一个维度进行直方图，y中的值沿第二个维度进行直方图。 xedges：ndarray，shape（nx，）仓沿第一维的边。 yedges：ndarray，shape（ny） bin沿着第二维度。

参数：

x：array_like，shape（N，）

包含要被直方图化的点的x坐标的数组。

y：array_like，shape（N，）

包含要被直方图化的点的y坐标的数组。

bins：int或array_like或[int，int]或[数组，数组]，可选

bin规范：

如果int，两个维度的仓的数量（nx = ny = bin）。

如果array_like，二维的二进制边（x_edges = y_edges = bins）。

如果[int，int]，每个维度中的块数（nx，ny = bin）。

如果[数组，数组]，每个维度中的bin边（x_edges，y_edges = bins）。

组合[int，数组]或[数组，int]，其中int是二进制数的数字，数组是二进制边。

范围：array_like，shape（2,2），可选

沿着每个维度的仓的最左边缘和最右边缘（如果未在bin参数中明确指定）：[[xmin， xmax] / t3> [ymin， ymax]]。超出此范围的所有值将被视为离群值，而不在直方图中计算。

normed：bool，可选

如果为False，则返回每个bin中的样本数。如果为True，则返回bin密度bin_count / sample_count / bin_area 。

权限：array_like，shape（N，），可选

对每个样本（x_i， y_i）加权的数组w_i。如果normed为True，则权重被归一化为1。如果normed为False，则返回的直方图的值等于属于落入每个仓中的样本的权重的和。

H：ndarray，shape（nx，ny）

样本的二维直方图x和y。x中的值沿第一个维度进行直方图，y中的值沿第二个维度进行直方图。

xedges：ndarray，shape（nx，）

仓沿第一维的边。

yedges：ndarray，shape（ny）

bin沿着第二维度。

也可以看看

histogram: 1D直方图
histogramdd: 多维直方图

笔记

When normed is True, then the returned histogram is the sample density, defined such that the sum over bins of the product bin_value * bin_area is 1.

请注意，直方图不遵循笛卡尔约定，其中x值在横坐标上，而y值在纵坐标轴上。相反，x沿数组（垂直）的第一维直方图，沿数组（水平）的第二维直方图y。这可确保与histogramdd的兼容性。

例子

>>> import matplotlib as mpl
>>> import matplotlib.pyplot as plt

构造具有可变bin宽度的2D直方图。首先定义bin边缘：

>>> xedges = [0, 1, 1.5, 3, 5]
>>> yedges = [0, 2, 3, 4, 6]

接下来我们创建一个带有随机bin内容的直方图H：

>>> x = np.random.normal(3, 1, 100)
>>> y = np.random.normal(1, 1, 100)
>>> H, xedges, yedges = np.histogram2d(y, x, bins=(xedges, yedges))

或者，我们用确定的bin内容填充直方图H：

>>> H = np.ones((4, 4)).cumsum().reshape(4, 4)
>>> print(H[::-1])  # This shows the bin content in the order as plotted
[[ 13.  14.  15.  16.]
 [  9.  10.  11.  12.]
 [  5.   6.   7.   8.]
 [  1.   2.   3.   4.]]

Imshow只能做一个等距表示的箱：

>>> fig = plt.figure(figsize=(7, 3))
>>> ax = fig.add_subplot(131)
>>> ax.set_title('imshow: equidistant')
>>> im = plt.imshow(H, interpolation='nearest', origin='low',
                extent=[xedges[0], xedges[-1], yedges[0], yedges[-1]])

pcolormesh可以显示确切的边框：

>>> ax = fig.add_subplot(132)
>>> ax.set_title('pcolormesh: exact bin edges')
>>> X, Y = np.meshgrid(xedges, yedges)
>>> ax.pcolormesh(X, Y, H)
>>> ax.set_aspect('equal')

NonUniformImage通过插值显示精确边框：

>>> ax = fig.add_subplot(133)
>>> ax.set_title('NonUniformImage: interpolated')
>>> im = mpl.image.NonUniformImage(ax, interpolation='bilinear')
>>> xcenters = xedges[:-1] + 0.5 * (xedges[1:] - xedges[:-1])
>>> ycenters = yedges[:-1] + 0.5 * (yedges[1:] - yedges[:-1])
>>> im.set_data(xcenters, ycenters, H)
>>> ax.images.append(im)
>>> ax.set_xlim(xedges[0], xedges[-1])
>>> ax.set_ylim(yedges[0], yedges[-1])
>>> ax.set_aspect('equal')
>>> plt.show()

（源代码）