Python plt.hist()传入数据集最大值参数的分箱表现差异疑问

问题结论 #

你提到的现象确实是分箱数量设置差异导致的，判断成立。

原理说明 #

plt.hist() 方法的第二个参数为bins，用于控制分箱规则：

• 默认调用 plt.hist(small_data["BEDS"]) 会触发matplotlib的自动分箱策略（3.2及以上版本默认使用Sturges算法定分箱数），最终生成的分箱数较少，分箱宽度通常为2，因此会把卧室数为0、1的样本统一合并到0-2的分箱中展示。
• 当你传入 small_data["BEDS"].max() 作为bins参数时，相当于手动指定分箱数量等于数据集内卧室数的最大值。对于卧室数这种离散正整数特征，此时分箱宽度会自动适配为1，每个整数区间（0-1、1-2、……、N-1~N，N为卧室数最大值）都会作为独立分箱存在，因此0-1区间的样本会被单独统计展示。

优化建议 #

如果你的目标是单独统计每个卧室数对应的样本量，更稳妥的写法是明确指定分箱边界对齐整数，避免浮点数边界带来的统计偏差：

plt.hist(small_data["BEDS"], bins=range(int(small_data["BEDS"].min()), int(small_data["BEDS"].max()) + 2))

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