पायथन: शीर्ष

Question

पर फ़ंक्शन लाइन के साथ एक हिस्टोग्राम प्लॉट करना मैं साजिश के लिए आंकड़ों और matplotlib के लिए साइपीपी का उपयोग करके पाइथन में वितरण प्लॉटिंग और फिटिंग में थोड़ा सा प्रयास करने की कोशिश कर रहा हूं। मैं एक हिस्टोग्राम बनाने जैसे कुछ चीजों के साथ अच्छी किस्मत हो रही है:

seed(2) 
alpha=5 
loc=100 
beta=22 
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000) 
myHist = hist(data, 100, normed=True) 

शानदार!

मैं भी एक ही गामा मापदंडों लेने के लिए और प्रायिकता वितरण समारोह की लाइन समारोह (कुछ Googling के बाद) प्लॉट कर सकते हैं:

rv = ss.gamma(5,100,22) 
x = np.linspace(0,600) 
h = plt.plot(x, rv.pdf(x)) 

मैं कैसे साथ हिस्टोग्राम myHist की साजिश रचने के बारे में जाना होगा पीडीएफ लाइन h हिस्टोग्राम के शीर्ष पर अतिसंवेदनशील? मुझे उम्मीद है कि यह मामूली है, लेकिन मैं इसे समझने में असमर्थ हूं।

Answer 1

बस दोनों टुकड़ों को एक साथ रखें।

import scipy.stats as ss 
import numpy as np 
import matplotlib.pyplot as plt 
alpha, loc, beta=5, 100, 22 
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000) 
myHist = plt.hist(data, 100, normed=True) 
rv = ss.gamma(alpha,loc,beta) 
x = np.linspace(0,600) 
h = plt.plot(x, rv.pdf(x), lw=2) 
plt.show() 

सुनिश्चित करें कि आप क्या आप किसी भी विशिष्ट साजिश उदाहरण में चाहते बनाने के लिए, एक figure वस्तु पहले बनाने का प्रयास करें

import scipy.stats as ss 
import numpy as np 
import matplotlib.pyplot as plt 
# setting up the axes 
fig = plt.figure(figsize=(8,8)) 
ax = fig.add_subplot(111) 
# now plot 
alpha, loc, beta=5, 100, 22 
data=ss.gamma.rvs(alpha,loc=loc,scale=beta,size=5000) 
myHist = ax.hist(data, 100, normed=True) 
rv = ss.gamma(alpha,loc,beta) 
x = np.linspace(0,600) 
h = ax.plot(x, rv.pdf(x), lw=2) 
# show 
plt.show() 

Answer 2

पर का वितरण समारोह की साजिश रचने में रुचि हो सकती कोई हिस्टोग्राम। इस अजगर के साथ डेटा दृश्य पर एक Coursera पाठ्यक्रम से Seaborn केडीई समारोह

import numpy as np # for random data 
import pandas as pd # for convinience 
import matplotlib.pyplot as plt # for graphics 
import seaborn as sns # for nicer graphics 

v1 = pd.Series(np.random.normal(0,10,1000), name='v1') 
v2 = pd.Series(2*v1 + np.random.normal(60,15,1000), name='v2') 

# plot a kernel density estimation over a stacked barchart 
plt.figure() 
plt.hist([v1, v2], histtype='barstacked', normed=True); 
v3 = np.concatenate((v1,v2)) 
sns.kdeplot(v3); 
plt.show() 

उपयोग किया जा सकता