python hist 归一化

可以使用numpy库中的histogram函数来实现归一化，具体代码如下：

import numpy as np

data = np.random.randn(1000) # 生成1000个随机数

hist, bins = np.histogram(data, bins=10) # 计算直方图和直方图区间

hist_norm = hist / np.sum(hist) # 归一化

print(hist_norm) # 输出归一化后的直方图

相关问题

python的归一化直方图怎么画代码实现

以下是使用Python中的numpy和matplotlib库实现归一化直方图的代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
data = np.random.randn(1000)

# 绘制原始数据的直方图
plt.hist(data, bins=30, density=False, alpha=0.5, color='b')

# 计算归一化的直方图
counts, bins = np.histogram(data, bins=30, density=True)
bin_centers = 0.5 * (bins[1:] + bins[:-1])
pdf = counts / np.sum(counts)

# 绘制归一化直方图
plt.plot(bin_centers, pdf, 'r')

# 添加图例和标签
plt.legend(['Normalized histogram', 'Raw data'])
plt.xlabel('Value')
plt.ylabel('Frequency')

plt.show()

解释一下代码：

首先，我们使用numpy库生成了1000个随机数据。然后，使用matplotlib的hist函数绘制了原始数据的直方图。

接下来，我们使用numpy的histogram函数计算数据的直方图，并将其归一化。

最后，我们使用matplotlib的plot函数绘制了归一化直方图，并添加了图例和标签，最终展示出来。

python hist函数

`hist()`函数是Matplotlib库中的一个函数，用于绘制直方图。它接收一个数组作为输入，然后将数据分成若干个区间，统计每个区间内的数据数量，最终绘制出直方图。

`hist()`函数的基本语法如下：

plt.hist(x, bins=None, range=None, density=False, cumulative=False, histtype='bar', color=None, alpha=None, label=None, stacked=False, orientation='vertical', rwidth=None, log=False, align='mid', **kwargs)

其中，最重要的参数是 `x`，表示要绘制直方图的数据。其他参数分别表示直方图的属性，例如 `bins` 表示分成几个区间，`range` 表示数据的范围，`density` 表示是否对频数进行归一化，`cumulative` 表示是否绘制累积直方图等等。

下面是一个绘制直方图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
data = np.random.randn(1000)

# 绘制直方图
plt.hist(data, bins=50, density=True, alpha=0.5)

# 添加标题和标签
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')

# 显示图像
plt.show()

这段代码会生成一个随机数据的直方图，其中 `bins=50` 表示将数据分成50个区间， `density=True` 表示对频数进行归一化， `alpha=0.5` 表示透明度为0.5。