Python大数据集直方图绘制混乱/空白问题求助

一、Matplotlib 直方图混乱的问题 #

你当前代码用每个唯一值作为分箱边界，导致分箱数量多达6万+（最大值65852），这么多分箱挤在一起，图表自然混乱。解决思路是减少分箱数量，或者根据数据分布用更合理的分箱方式：

方案1：指定固定分箱数量 #

直接设置bins为合适数值（比如100），结合对数刻度展示频率：

import matplotlib.pyplot as plt

plt.hist(dataset_length, bins=100, log=True)
plt.title('Histogram of Data')
plt.xlabel('Values')
plt.ylabel('Frequency (log scale)')
plt.show()

方案2：对数间距分箱（适合小数值密集的分布） #

如果数据集中小数值频率远高于大数值，用对数间距的分箱能更清晰展示尾部分布：

import numpy as np
import matplotlib.pyplot as plt

# 生成从1到最大值+1的对数间距分箱
bin_edges = np.logspace(np.log10(1), np.log10(65852 + 1), num=50)
plt.hist(dataset_length, bins=bin_edges, log=True)
plt.xscale('log')  # x轴也设为对数刻度，更直观
plt.title('Histogram of Data (Log Scales)')
plt.xlabel('Values (log scale)')
plt.ylabel('Frequency (log scale)')
plt.show()

二、Seaborn displot 空白图的问题 #

空白图大概率是因为数据量过大（740万+）导致渲染内存不足，或者默认分箱设置不匹配数据分布。可以通过以下方式解决：

方案1：转换数据格式并指定分箱 #

将列表转为Pandas Series（Seaborn对Pandas对象支持更好），同时指定分箱数量和对数刻度：

import seaborn as sns
import pandas as pd

data_series = pd.Series(dataset_length)
sns.displot(data_series, bins=100, log_scale=True)
plt.title('Distribution of Data')
plt.show()

方案2：抽样减少数据量 #

如果内存还是不够，对数据进行抽样（比如抽取10%），既能减少压力，也能保留整体分布特征：

import seaborn as sns
import pandas as pd

data_series = pd.Series(dataset_length)
# 随机抽取10%数据，设置random_state保证结果可复现
sampled_data = data_series.sample(frac=0.1, random_state=42)
sns.displot(sampled_data, bins=100, log_scale=True)
plt.title('Distribution of Sampled Data')
plt.show()

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