我在单独的列表中有两组数据。每个列表元素的值都从0:100开始,元素重复。
例如:
first_data = [10,20,40,100,...,100,10,50]
second_data = [20,50,50,10,...,70,10,100]
我可以使用以下方式在直方图中绘制其中之一:
import plotly.graph_objects as go
.
.
.
fig = go.Figure()
fig.add_trace(go.Histogram(histfunc='count', x=first_data))
fig.show()
通过设置histfunc
为'count'
,我的直方图由0到100的x轴和表示中重复元素数的条形组成first_data
。
我的问题是:如何使用相同的“计数”直方图在同一轴上覆盖第二组数据?
实现此目的的一种方法是,只需添加另一条迹线,您就快到了!可以在本文的最后部分找到用于创建这些示例的数据集。
注意:
以下代码使用“较低级别”的plotly API,因为(个人而言)我认为它更透明,并且使用户能够查看正在绘制的内容以及原因;而不是依靠graph_objects
and的便捷模块express
。
from plotly.offline import plot
layout = {}
traces = []
traces.append({'x': data1, 'name': 'D1', 'opacity': 1.0})
traces.append({'x': data2, 'name': 'D2', 'opacity': 0.5})
# For each trace, add elements which are common to both.
for t in traces:
t.update({'type': 'histogram',
'histfunc': 'count',
'nbinsx': 50})
layout['barmode'] = 'overlay'
plot({'data': traces, 'layout': layout})
另一个选择是绘制分布曲线(高斯KDE),如下所示。值得注意的是,此方法绘制的是概率密度,而不是计数。
X1, Y1 = calc_curve(data1)
X2, Y2 = calc_curve(data2)
traces = []
traces.append({'x': X1, 'y': Y1, 'name': 'D1'})
traces.append({'x': X2, 'y': Y2, 'name': 'D2'})
plot({'data': traces})
相关calc_curve()
功能:
from scipy.stats import gaussian_kde
def calc_curve(data):
"""Calculate probability density."""
min_, max_ = data.min(), data.max()
X = [min_ + i * ((max_ - min_) / 500) for i in range(501)]
Y = gaussian_kde(data).evaluate(X)
return(X, Y)
或者,您始终可以使用y轴上的概率密度将这两种方法结合在一起。
layout = {}
traces = []
traces.append({'x': data1, 'name': 'D1', 'opacity': 1.0})
traces.append({'x': data2, 'name': 'D2', 'opacity': 0.5})
for t in traces:
t.update({'type': 'histogram',
'histnorm': 'probability density',
'nbinsx': 50})
traces.append({'x': X1, 'y': Y1, 'name': 'D1'})
traces.append({'x': X2, 'y': Y2, 'name': 'D2'})
layout['barmode'] = 'overlay'
plot({'data': traces, 'layout': layout})
这是一些代码,用于模拟[0,100]值的数据集并创建以下示例:
import numpy as np
from sklearn.preprocessing import MinMaxScaler
mms = MinMaxScaler((0, 100))
np.random.seed(4)
data1 = mms.fit_transform(np.random.randn(10000).reshape(-1, 1)).ravel()
data2 = mms.fit_transform(np.random.randn(10000).reshape(-1, 1)).ravel()
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句