我正在使用 matplotlib 的 hist2d 函數制作我擁有的數據的二維直方圖，但是我無法解釋結果。這是我的情節：這是使用以下行創建的：hist = plt.hist2d(X, Y, (160,160), norm=mpl.colors.LogNorm(vmin=1, vmax=20))這將返回 (160, 160) 的二維數組，以及 bin 邊緣等。在圖中，有具有高頻值的箱（黃色箱）。我希望能夠獲得此直方圖的結果并過濾掉具有低值的箱子，保留高箱子。但我希望有 160*160 個值，但我只能找到 160 個 X 和 160 個 Y 值。我想做的基本上是從密度較低的數據中過濾出密度較高的數據。如果這意味著將數據表示為單個值（一個 bin），那么就可以了。我是不是誤解了函數，還是沒有正確訪問數據結果？我也嘗試過 spicy，但結果似乎是相同或相似的格式。
2 回答
阿波羅的戰車
TA貢獻1862條經驗 獲得超6個贊
不確定這是否是您想要的。
hist2d 文檔指定該函數返回一個大小為 4 的元組，其中第一項h是熱圖。
這h將具有與 相同的形狀bins。
您可以捕獲輸出（它仍會繪制），并用于argwhere查找值超過第 90 個百分位數的坐標：
h, xedges, yedges, img = hist = plt.hist2d(X, Y, bins=(160,160), norm=mpl.colors.LogNorm(vmin=1, vmax=20))
print(list(np.argwhere(h > np.percentile(h, 90))))
慕田峪4524236
TA貢獻1875條經驗 獲得超5個贊
你需要Seaborn包。
你提到
我希望能夠獲得此直方圖的結果并過濾掉具有低值的箱子，保留高箱子。
你絕對應該使用其中之一：
seaborn.joinplot(...,kind='hex')：它顯示落在六邊形箱內的觀測值的計數。該圖最適合相對較大的數據集。seaborn.joinplot(...,kind='kde')：使用核密度估計來可視化雙變量分布。我推薦它更好。
示例“哪里”
使用級別數n_levels并shade_lowest=False忽略低值。
import seaborn as sns
import numpy as np
import matplotlib.pylab as plt
x, y = np.random.randn(2, 300)
plt.figure(figsize=(6,5))
sns.kdeplot(x, y, zorder=0, n_levels=6, shade=True, cbar=True,
shade_lowest=False, cmap='viridis')
添加回答
舉報
0/150
提交
取消