使用Matplotlib归一化直方图：将Bins值设为观测占比

我来帮你完善这个示例，实现纵轴代表总观测值百分比的直方图。首先得处理你的二维数据，同时调整直方图的计算逻辑，让每个bin的高度对应观测值占总数的百分比。这里有两种常用的实现方式：

方法1：使用weights参数直接计算百分比 #

这种方法通过给每个数据点赋予权重，直接让直方图的高度显示百分比：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import matplotlib.ticker as tck
import seaborn as sns
import numpy as np

sns.set(style='dark')
imagen2 = plt.figure(1, figsize=(5, 2))
imagen2.suptitle('StackOverflow Matplotlib histogram demo')

# 生成数据并处理：展平二维数组，调整为从0开始
luminance = np.random.randn(1000, 1000)
luminance_flat = luminance.flatten()
luminance_flat = luminance_flat - luminance_flat.min()  # 确保数据从0开始

# 计算权重：每个数据点的权重为 1/总数量 * 100，这样bin高度就是百分比
weights = np.ones_like(luminance_flat) / len(luminance_flat) * 100

# 绘制直方图
n, bins, patches = plt.hist(luminance_flat, bins=20, weights=weights)

# 添加纵轴标签
plt.ylabel('Percentage of total observations')
plt.xlabel('Luminance')

plt.tight_layout()
plt.show()

方法2：使用密度模式转换为百分比 #

这种方法先绘制概率密度直方图，再将纵轴刻度转换为百分比：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import matplotlib.ticker as tck
import seaborn as sns
import numpy as np

sns.set(style='dark')
imagen2 = plt.figure(1, figsize=(5, 2))
imagen2.suptitle('StackOverflow Matplotlib histogram demo')

# 生成数据并处理
luminance = np.random.randn(1000, 1000)
luminance_flat = luminance.flatten()
luminance_flat = luminance_flat - luminance_flat.min()

# 绘制密度直方图
n, bins, patches = plt.hist(luminance_flat, bins=20, density=True)

# 将纵轴转换为百分比格式
plt.gca().yaxis.set_major_formatter(tck.PercentFormatter(xmax=1))

# 添加标签
plt.ylabel('Percentage of total observations')
plt.xlabel('Luminance')

plt.tight_layout()
plt.show()

关键细节说明 #

• 首先要把二维的luminance数组展平为一维，因为plt.hist需要一维输入数据。
• 代码里用luminance_flat - luminance_flat.min()把数据调整为从0开始，满足你备注里的需求。
• 两种方法的区别：
  • 方法1的权重计算更直观，直接对应每个bin的观测占比；
  • 方法2的密度模式适合后续需要做概率相关的扩展，再通过刻度转换得到百分比。

内容的提问来源于stack exchange，提问作者amyspark