Python中绘制反向累积直方图：调整X轴从100到20递减的方法

方法1：直接绘制反向累积直方图（无需修改原始数据） #

利用Matplotlib的hist函数的cumulative=-1参数，可直接实现“每个区间包含该区间及以上数值”的累积逻辑，再通过反转X轴达成从100到20的递减显示，完全无需改动原始数据。

代码示例：

import matplotlib.pyplot as plt
import pandas as pd

# 构建示例数据
data = {'pident': [100, 100, 51.515, 55.405, 20, 91.667, 86.207, 58.621, 77.778]}
df = pd.DataFrame(data)

# 绘制反向累积直方图
plt.hist(df['pident'], bins=5, cumulative=-1, edgecolor='black')

# 反转X轴，实现数值从100到20递减
plt.gca().invert_xaxis()

# 设置图表标签与标题
plt.xlabel('匹配百分比（pident）')
plt.ylabel('累积样本数量')
plt.title('匹配百分比反向累积直方图')

plt.show()

说明：cumulative=-1会让直方图从最高值开始累积，统计每个区间及以上的样本总数；invert_xaxis()直接反转X轴方向，完美契合需求。

方法2：修正你原方案的X轴标签 #

如果仍想保留abs_pident = np.abs(100 - df['pident'])的计算方式，可手动替换X轴刻度标签，将转换后的数值还原为原始匹配百分比：

代码示例：

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

# 构建示例数据
data = {'pident': [100, 100, 51.515, 55.405, 20, 91.667, 86.207, 58.621, 77.778]}
df = pd.DataFrame(data)
df['abs_pident'] = np.abs(100 - df['pident'])

# 绘制累积直方图（基于转换后的数据）
n, bins, patches = plt.hist(df['abs_pident'], bins=5, cumulative=True, edgecolor='black')

# 将X轴刻度替换为原始匹配百分比（100 - 转换后数值）
plt.xticks(bins, [round(100 - b, 1) for b in bins])

# 设置图表标签与标题
plt.xlabel('匹配百分比（pident）')
plt.ylabel('累积样本数量')
plt.title('匹配百分比反向累积直方图')

plt.show()

说明：通过100 - bins将转换后的刻度值还原为原始匹配百分比，确保X轴显示正确的数值范围。

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