如何用Matplotlib将直方图归一化至柱高最大值？

你需要基于pandas单列数据绘制多组直方图，由于各组数据长度不同，要实现将每个柱高除以本组最大柱高的归一化（不用matplotlib内置的density参数），同时希望调整分箱数后，原始直方图和归一化直方图能同步更新。

先搞懂plt.hist的返回值 #

plt.hist()返回三个核心值：

• n：numpy数组，每个元素对应一个分箱的样本数量（也就是直方图的柱高）
• bins：numpy数组，存储分箱的边界值，长度比n多1（比如50个分箱对应51个边界）
• patches：每个柱对应的图形对象，一般场景下用不到

你之前的代码错误在于：把原始数据除以max(n)，这会直接改变数据的分布，完全不是对柱高的归一化操作。下面是正确的实现步骤：

正确实现流程 #

1. 提取柱高与分箱边界：先调用plt.hist()获取原始直方图的柱高n和分箱bins
2. 归一化柱高：将所有柱高除以本组的最大柱高
3. 绘制归一化直方图：用plt.bar()基于已有的分箱和归一化后的柱高绘图（因为plt.hist()是基于原始数据统计，我们已经有统计结果，用bar更直接准确）

完整可复用代码 #

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 示例数据（替换成你的DataFrame）
df = pd.DataFrame({'values': np.random.randn(1000)})

# 定义分箱数，调整这个值就能同步更新两张图
bin_num = 50

# 1. 绘制原始直方图并提取统计结果
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
n, bins, patches = plt.hist(df['values'], bins=bin_num)
plt.title('原始直方图')
plt.xlabel('数值')
plt.ylabel('样本数量')

# 2. 计算归一化柱高
n_normalized = n / np.max(n)
# 计算每个分箱的宽度
bin_width = bins[1] - bins[0]

# 3. 绘制归一化后的直方图
plt.subplot(1, 2, 2)
# 用bar绘图，x坐标取分箱左边界+半宽让柱居中，宽度设为bin_width
plt.bar(bins[:-1] + bin_width/2, n_normalized, width=bin_width)
plt.title('归一化直方图（柱高/最大柱高）')
plt.xlabel('数值')
plt.ylabel('归一化柱高')

plt.tight_layout()
plt.show()

关键说明 #

• 调整bin_num的值，原始图和归一化图的分箱数会同步更新
• 归一化仅针对柱高，完全保留原始数据的分箱区间，确保不同组直方图的横轴可比
• 用plt.bar()而非再次调用plt.hist()，因为我们已经有了统计好的柱高，直接绘图更高效且避免重复统计

内容的提问来源于stack exchange，提问作者etruhart314