Несколько гистограмм с Matplotlib: исчерпывающее руководство от основ до продвинутых техник визуализации

Гистограммы являются одним из фундаментальных инструментов в арсенале любого специалиста по данным, позволяя быстро оценить форму, центр и разброс распределения данных. Однако в реальных проектах часто возникает необходимость не просто изучить одно распределение, а сравнить несколько различных распределений — будь то данные из разных групп, временных периодов или результатов экспериментов.

Саммари статьи

ChatGPT

Google AI

Grok

Perplexity

Matplotlib, являясь краеугольным камнем визуализации в Python, предоставляет мощные и гибкие средства для решения этой задачи. В этом исчерпывающем руководстве мы рассмотрим различные подходы к построению и эффективному отображению нескольких гистограмм на одном графике. Мы начнем с базовых техник наложения и использования подграфиков, а затем перейдем к продвинутым методам кастомизации, таким как управление бинами, цветами и стилями. Цель — дать вам практические знания и примеры кода, которые помогут вам создавать информативные и эстетически привлекательные визуализации для глубокого анализа данных.

Основы построения нескольких гистограмм на одном графике

После того как мы убедились в значимости гистограмм для понимания распределений, логичным шагом становится необходимость сравнения нескольких таких распределений на одном графике. Matplotlib предоставляет мощные и гибкие инструменты для решения этой задачи, позволяя визуализировать различные наборы данных или категории, чтобы выявить их сходства и различия.

В этом разделе мы рассмотрим фундаментальные подходы к построению нескольких гистограмм. Мы начнем с метода наложения, который позволяет отображать несколько распределений непосредственно друг над другом, а затем перейдем к использованию подграфиков для более структурированного представления.

Наложение гистограмм: базовый подход с plt.hist()

Наложение гистограмм — это один из самых простых и интуитивно понятных способов сравнения распределений двух или более наборов данных. В Matplotlib это достигается путем последовательного вызова функции plt.hist() для каждого набора данных на одних и тех же осях. По умолчанию, каждый последующий вызов plt.hist() будет рисовать новую гистограмму поверх предыдущей.

Рассмотрим пример, где мы хотим сравнить распределения двух выборок данных:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем два набора случайных данных с разными распределениями
data1 = np.random.normal(loc=0, scale=1, size=1000) # Нормальное распределение, среднее 0, стд.откл. 1
data2 = np.random.normal(loc=2, scale=0.8, size=1000) # Нормальное распределение, среднее 2, стд.откл. 0.8

plt.hist(data1) # Первая гистограмма
plt.hist(data2) # Вторая гистограмма, наложенная на первую

plt.title('Базовое наложение гистограмм')
plt.xlabel('Значение')
plt.ylabel('Частота')
plt.show()

В этом базовом примере мы видим, что вторая гистограмма полностью перекрывает первую в местах их пересечения, что затрудняет сравнение. Для эффективного анализа наложенных гистограмм необходимо добавить элементы, улучшающие их различимость, такие как прозрачность и легенда.

Добавление легенды, заголовков и прозрачности для ясности

Как было показано ранее, простое наложение гистограмм может привести к их перекрытию, затрудняя анализ. Для повышения читаемости и информативности графика необходимо добавить прозрачность, легенду и осмысленные заголовки.

1. Прозрачность (alpha): Параметр alpha в функции plt.hist() позволяет контролировать уровень прозрачности гистограммы. Значение от 0 (полностью прозрачный) до 1 (полностью непрозрачный) дает возможность видеть перекрывающиеся области.

2. Легенда (label и plt.legend()): Чтобы различать наложенные гистограммы, каждой из них присваивается метка с помощью параметра label в plt.hist(). Затем вызов plt.legend() отображает эти метки на графике.

3. Заголовки и подписи осей: plt.title(), plt.xlabel() и plt.ylabel() добавляют общий заголовок графика и подписи к осям, что критически важно для понимания представленных данных.

Рассмотрим пример:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем два набора данных для примера
np.random.seed(42)
data1 = np.random.normal(loc=0, scale=1, size=1000) # Нормальное распределение со средним 0
data2 = np.random.normal(loc=2, scale=1.5, size=1000) # Нормальное распределение со средним 2

plt.figure(figsize=(10, 6))

# Построение гистограмм с прозрачностью и метками для легенды
plt.hist(data1, bins=30, alpha=0.6, label='Распределение 1', color='skyblue')
plt.hist(data2, bins=30, alpha=0.6, label='Распределение 2', color='salmon')

# Добавление заголовков и легенды для ясности
plt.title('Наложение гистограмм с прозрачностью и легендой')
plt.xlabel('Значение')
plt.ylabel('Частота')
plt.legend() # Отображаем легенду
plt.grid(axis='y', alpha=0.75) # Добавляем сетку для лучшей читаемости

plt.show()

Использование этих элементов значительно улучшает интерпретацию наложенных гистограмм, позволяя эффективно сравнивать распределения.

Отображение нескольких гистограмм с помощью подграфиков

Хотя наложение гистограмм на один график является эффективным способом сравнения нескольких распределений, иногда такой подход может привести к перегруженности или затруднить интерпретацию, особенно когда распределений много или они сильно перекрываются. В таких случаях более наглядным и информативным решением становится использование подграфиков (subplots), которые позволяют отображать каждую гистограмму в отдельной, но взаимосвязанной области.

Этот раздел посвящен изучению мощного функционала plt.subplots() в Matplotlib для создания упорядоченных сеток гистограмм. Мы рассмотрим, как эффективно организовать несколько графиков, а также как настроить их оси и общие заголовки для обеспечения максимальной ясности и профессионального вида.

Создание сетки гистограмм с plt.subplots()

Когда наложение гистограмм становится затруднительным для анализа из-за схожести распределений или большого количества данных, использование подграфиков (subplots) предлагает более чистое и организованное решение. Matplotlib позволяет легко создавать сетки графиков с помощью функции plt.subplots().

Эта функция возвращает кортеж, содержащий объект Figure (весь холст) и один или массив объектов Axes (отдельные графики). Каждый объект Axes действует как независимая область для построения, что позволяет размещать гистограммы рядом друг с другом.

Пример создания двух гистограмм в отдельных подграфиках:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем примеры данных
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1.5, 1000)

# Создаем сетку из 1 строки и 2 столбцов
fig, axes = plt.subplots(1, 2, figsize=(10, 4))

# Строим первую гистограмму на первом подграфике
axes[0].hist(data1, bins=30, color='skyblue', edgecolor='black')
axes[0].set_title('Распределение 1')
axes[0].set_xlabel('Значение')
axes[0].set_ylabel('Частота')

# Строим вторую гистограмму на втором подграфике
axes[1].hist(data2, bins=30, color='lightcoral', edgecolor='black')
axes[1].set_title('Распределение 2')
axes[1].set_xlabel('Значение')
axes[1].set_ylabel('Частота')

plt.show()

Здесь axes — это массив объектов Axes, к которым мы обращаемся по индексу (axes[0], axes[1]). Каждый из них имеет свой собственный метод hist(), а также методы для установки заголовков и меток осей, что обеспечивает полную независимость в настройке.

Тонкая настройка осей и общих заголовков для подграфиков

После создания сетки подграфиков важно настроить их внешний вид для максимальной информативности. Matplotlib предоставляет гибкие инструменты для управления осями каждого подграфика и добавления общих заголовков.

Настройка индивидуальных осей

Для каждого подграфика (ax) можно индивидуально задать метки осей, пределы и другие параметры. Это особенно полезно, когда распределения имеют разные диапазоны или единицы измерения.

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(1, 2, figsize=(10, 4))

data1 = np.random.randn(1000)
data2 = np.random.normal(5, 2, 1000)

axes[0].hist(data1, bins=30, color='skyblue', edgecolor='black')
axes[0].set_title('Распределение 1')
axes[0].set_xlabel('Значение X1')
axes[0].set_ylabel('Частота')
axes[0].set_xlim(-4, 4) # Установка пределов по оси X

axes[1].hist(data2, bins=30, color='lightcoral', edgecolor='black')
axes[1].set_title('Распределение 2')
axes[1].set_xlabel('Значение X2')
axes[1].set_ylabel('Частота')
axes[1].set_ylim(0, 150) # Установка пределов по оси Y

plt.tight_layout()
plt.show()

Общие оси и общий заголовок

Когда гистограммы сравнивают схожие данные, можно использовать общие оси для экономии места и улучшения читаемости. Параметры sharex=True или sharey=True в plt.subplots() заставят подграфики использовать общие пределы и метки осей.

Для добавления общего заголовка ко всей фигуре используйте fig.suptitle():

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(1, 2, figsize=(10, 4), sharey=True) # Общая ось Y
fig.suptitle('Сравнение двух распределений данных', fontsize=16) # Общий заголовок

data1 = np.random.randn(1000)
data2 = np.random.normal(0.5, 1, 1000)

axes[0].hist(data1, bins=30, color='skyblue', edgecolor='black')
axes[0].set_title('Распределение A')
axes[0].set_xlabel('Значение')
axes[0].set_ylabel('Частота') # Метка только для первого подграфика при sharey=True

axes[1].hist(data2, bins=30, color='lightcoral', edgecolor='black')
axes[1].set_title('Распределение B')
axes[1].set_xlabel('Значение')

plt.tight_layout(rect=[0, 0.03, 1, 0.95]) # Корректировка для общего заголовка
plt.show()

Использование plt.tight_layout() помогает автоматически настроить отступы между подграфиками, предотвращая наложение элементов. При наличии fig.suptitle() может потребоваться корректировка rect для tight_layout, чтобы заголовок не перекрывался.

Продвинутые техники и кастомизация гистограмм

После того как мы освоили базовые методы построения и размещения нескольких гистограмм, а также научились тонко настраивать их оси и общие заголовки, пришло время углубиться в более продвинутые техники кастомизации. Эффективная визуализация данных часто требует не только правильного расположения элементов, но и их детальной настройки для максимальной информативности и эстетики.

В этом разделе мы рассмотрим, как получить полный контроль над внешним видом гистограмм, управляя такими ключевыми параметрами, как количество бинов, цветовые схемы и стили отображения. Кроме того, мы изучим альтернативные способы представления распределений, включая построение горизонтальных и симметричных гистограмм, что может быть особенно полезно для специфических задач сравнения и анализа данных.

Управление бинами, цветами и стилями для эффективного сравнения

Для эффективного сравнения нескольких распределений критически важно умело управлять параметрами гистограмм. Это позволяет не только улучшить эстетику, но и выявить тонкие различия в данных.

Управление бинами: Параметр bins определяет количество интервалов (корзин) или их границы. Использование одинакового количества или идентичных границ бинов для всех сравниваемых гистограмм является ключевым для корректного визуального сопоставления. Например, bins=50 или bins=np.linspace(min_val, max_val, 51). Неправильный выбор бинов может исказить восприятие формы распределения.

Цвета и прозрачность: Различные цвета для каждой гистограммы (color=['цвет1', 'цвет2']) и параметр alpha (прозрачность, от 0 до 1) незаменимы при наложении. alpha позволяет видеть перекрывающиеся области, что особенно полезно для плотных распределений.

Стили гистограмм: Параметр histtype предлагает различные стили отображения:

• 'bar' (по умолчанию): стандартные столбцы.

• 'barstacked': столбцы, наложенные друг на друга (для кумулятивных распределений).

• 'step': контур гистограммы без заполнения.

• 'stepfilled': контур с заполнением. edgecolor позволяет добавить границы к столбцам, улучшая их различимость.

Пример кода, демонстрирующий эти настройки:

import matplotlib.pyplot as plt
import numpy as np

# Генерируем данные для примера
np.random.seed(42)
data1 = np.random.normal(loc=0, scale=1, size=1000)
data2 = np.random.normal(loc=1, scale=0.8, size=1000)

plt.figure(figsize=(10, 6))

# Определяем общие бины для лучшего сравнения
bins = np.linspace(min(data1.min(), data2.min()), max(data1.max(), data2.max()), 40)

# Гистограмма 1: stepfilled с прозрачностью
plt.hist(data1, bins=bins, color='skyblue', alpha=0.6, label='Распределение 1', histtype='stepfilled', edgecolor='blue')

# Гистограмма 2: step с другим цветом
plt.hist(data2, bins=bins, color='salmon', alpha=0.7, label='Распределение 2', histtype='step', linewidth=2)

plt.title('Сравнение двух распределений с кастомизацией')
plt.xlabel('Значение')
plt.ylabel('Частота')
plt.legend()
plt.grid(axis='y', alpha=0.75)
plt.show()

Построение горизонтальных и симметричных гистограмм с plt.barh

В дополнение к управлению бинами и цветами, Matplotlib предлагает гибкость в ориентации и расположении гистограмм. Для создания горизонтальных гистограмм можно использовать параметр orientation='horizontal' в функции plt.hist(). Это полезно, когда метки категорий длинные или когда горизонтальное сравнение более интуитивно.

Однако для более продвинутых сценариев, таких как построение симметричных (пирамидальных) гистограмм, часто используется функция plt.barh(). Симметричные гистограммы идеально подходят для визуального сравнения распределений двух групп (например, мужчин и женщин по возрасту) на одной оси. Для их создания необходимо сначала вручную вычислить количество элементов в каждом бине для обеих групп с помощью numpy.histogram(). Затем, используя plt.barh(), одна группа отображается с положительными значениями, а другая — с отрицательными, создавая эффект "обратно-к-обратно".

Пример построения симметричной гистограммы:

import matplotlib.pyplot as plt
import numpy as np

# Пример данных для двух групп
data_group1 = np.random.normal(loc=50, scale=10, size=1000)
data_group2 = np.random.normal(loc=55, scale=12, size=1000)

# Определяем общие бины
bins = np.linspace(20, 90, 15)

# Вычисляем частоты для каждой группы
counts1, _ = np.histogram(data_group1, bins=bins)
counts2, _ = np.histogram(data_group2, bins=bins)

# Центры бинов для plt.barh
bin_centers = (bins[:-1] + bins[1:]) / 2

plt.figure(figsize=(10, 6))
plt.barh(bin_centers, counts1, height=bins[1]-bins[0], label='Группа 1', color='skyblue', alpha=0.7)
plt.barh(bin_centers, -counts2, height=bins[1]-bins[0], label='Группа 2', color='lightcoral', alpha=0.7) # Отрицательные значения для симметрии

plt.xlabel('Частота')
plt.ylabel('Значение')
plt.title('Симметричная гистограмма распределения двух групп')
plt.legend()
plt.grid(axis='x', linestyle='--', alpha=0.6)
plt.show()

Этот подход позволяет точно контролировать расположение и внешний вид каждого столбца, что делает его мощным инструментом для специализированных визуализаций.

Выбор оптимального подхода и альтернативы

После того как мы освоили различные методы построения и кастомизации нескольких гистограмм, от базового наложения до продвинутых техник с подграфиками и горизонтальными представлениями, возникает закономерный вопрос: какой подход является наиболее оптимальным для конкретной задачи? Выбор правильного метода визуализации критически важен для эффективной передачи информации и предотвращения искажений.

В этом разделе мы углубимся в критерии выбора между наложением гистограмм и использованием подграфиков, а также рассмотрим, когда стоит прибегнуть к альтернативным инструментам, таким как Seaborn или графики плотности ядра (KDE), для более глубокого анализа множественных распределений.

Когда использовать наложение, а когда — подграфики?

Выбор между наложением гистограмм и использованием подграфиков зависит от конкретной задачи и характеристик данных. Оба подхода имеют свои преимущества и недостатки, которые следует учитывать для достижения максимальной ясности визуализации.

Наложение гистограмм

Этот метод идеален, когда необходимо непосредственно сравнить формы распределений двух или трех наборов данных, особенно если они имеют схожие диапазоны значений. Наложение позволяет быстро оценить различия в медианах, дисперсиях и наличии выбросов. Однако, при большом количестве гистограмм или значительных перекрытиях, график может стать перегруженным и трудночитаемым, даже с использованием прозрачности (alpha).

Использование подграфиков (subplots)

Подграфики предпочтительны, когда вы работаете с множеством распределений (более трех) или когда распределения имеют существенно разные масштабы по осям X или Y. Каждый подграфик предоставляет отдельное пространство для гистограммы, что обеспечивает четкое разделение и предотвращает визуальный беспорядок. Это позволяет детально изучить каждое распределение индивидуально, сохраняя при этом возможность сравнения их общих характеристик в рамках одной фигуры. Подграфики также дают больше гибкости в настройке осей для каждого графика.

Краткое сравнение с Seaborn и KDE-графиками для множественных распределений

Хотя Matplotlib предоставляет полный контроль над каждой деталью гистограмм, существуют и другие мощные инструменты, которые могут значительно упростить процесс, особенно при работе с множественными распределениями. Рассмотрим краткое сравнение с Seaborn и KDE-графиками.

Seaborn: Удобство и эстетика

Seaborn, построенный на Matplotlib, предлагает высокоуровневый API, который значительно упрощает создание эстетически привлекательных статистических графиков. Для нескольких распределений sns.histplot или sns.displot с параметром hue автоматически обрабатывает категоризацию и раскраску, что часто требует меньше кода, чем ручная настройка в Matplotlib. Seaborn также по умолчанию применяет более приятные стили, что сокращает время на кастомизацию.

KDE-графики: Сглаженное представление распределений

KDE-графики (оценка плотности ядра) представляют собой сглаженную версию гистограмм. Они показывают непрерывную оценку плотности вероятности данных, что помогает избежать артефактов, связанных с выбором ширины бинов в гистограммах. KDE особенно полезны, когда необходимо визуализировать форму распределения без дискретизации, или когда данные очень плотные и гистограмма может выглядеть «зубчатой». Seaborn также предоставляет удобную функцию sns.kdeplot для построения таких графиков, в том числе для нескольких распределений на одном графике или в подграфиках.

Вывод:

• Matplotlib даёт максимальный контроль и гибкость.

• Seaborn упрощает создание сложных и красивых графиков, особенно для категориальных данных.

• KDE-графики предлагают сглаженное представление распределений, полезное для непрерывных данных и избегания проблем с бинами.

Заключение

На протяжении этого руководства мы подробно рассмотрели различные подходы к визуализации нескольких гистограмм с помощью Matplotlib. Мы начали с базового наложения гистограмм на одном графике, освоили добавление легенд и настройку прозрачности для улучшения читаемости. Затем перешли к более структурированному отображению с использованием подграфиков plt.subplots(), что позволяет эффективно сравнивать распределения в отдельных, но связанных контекстах.

Мы также углубились в продвинутые техники кастомизации, такие как управление количеством бинов, выбор цветов и стилей, а также создание горизонтальных и симметричных гистограмм. Выбор между наложением и подграфиками зависит от конкретной задачи и желаемой степени детализации. В заключение, мы кратко сравнили Matplotlib с Seaborn и KDE-графиками, подчеркнув сильные стороны каждого инструмента. Matplotlib, с его гибкостью и мощью, остается незаменимым инструментом для глубокого контроля над визуализацией данных, позволяя создавать точные и информативные графики для анализа распределений.