使用 matplotlib 在单个图表上绘制两个直方图

这里有一个工作示例：

import random
import numpy
from matplotlib import pyplot

x = [random.gauss(3,1) for _ in range(400)]
y = [random.gauss(4,2) for _ in range(400)]

bins = numpy.linspace(-10, 10, 100)

pyplot.hist(x, bins, alpha=0.5, label='x')
pyplot.hist(y, bins, alpha=0.5, label='y')
pyplot.legend(loc='upper right')
pyplot.show()

https://i.stack.imgur.com/acUlv.png

接受的答案给出了带有重叠条的直方图的代码，但如果您希望每个条并排（就像我所做的那样），请尝试以下变体：

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('seaborn-deep')

x = np.random.normal(1, 2, 5000)
y = np.random.normal(-1, 3, 2000)
bins = np.linspace(-10, 10, 30)

plt.hist([x, y], bins, label=['x', 'y'])
plt.legend(loc='upper right')
plt.show()

https://i.stack.imgur.com/D8Ojb.png

参考：http://matplotlib.org/examples/statistics/histogram_demo_multihist.html

编辑 [2018/03/16]：更新以允许绘制不同大小的数组，如 @stochastic_zeitgeist 所建议的那样

如果您有不同的样本量，可能很难将分布与单个 y 轴进行比较。例如：

import numpy as np
import matplotlib.pyplot as plt

#makes the data
y1 = np.random.normal(-2, 2, 1000)
y2 = np.random.normal(2, 2, 5000)
colors = ['b','g']

#plots the histogram
fig, ax1 = plt.subplots()
ax1.hist([y1,y2],color=colors)
ax1.set_xlim(-10,10)
ax1.set_ylabel("Count")
plt.tight_layout()
plt.show()

https://i.stack.imgur.com/6iOYj.png

在这种情况下，您可以在不同的轴上绘制两个数据集。为此，您可以使用 matplotlib 获取直方图数据，清除轴，然后在两个单独的轴上重新绘制（移动 bin 边缘以使其不重叠）：

#sets up the axis and gets histogram data
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
ax1.hist([y1, y2], color=colors)
n, bins, patches = ax1.hist([y1,y2])
ax1.cla() #clear the axis

#plots the histogram data
width = (bins[1] - bins[0]) * 0.4
bins_shifted = bins + width
ax1.bar(bins[:-1], n[0], width, align='edge', color=colors[0])
ax2.bar(bins_shifted[:-1], n[1], width, align='edge', color=colors[1])

#finishes the plot
ax1.set_ylabel("Count", color=colors[0])
ax2.set_ylabel("Count", color=colors[1])
ax1.tick_params('y', colors=colors[0])
ax2.tick_params('y', colors=colors[1])
plt.tight_layout()
plt.show()

https://i.stack.imgur.com/iayQ1.png

作为对 Gustavo Bezerra's answer 的补充：

如果您希望对每个直方图进行归一化（normed 用于 mpl<=2.1，density 用于 mpl>=3.1）您不能只使用 normed/density=True，您需要为每个值设置权重：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.normal(1, 2, 5000)
y = np.random.normal(-1, 3, 2000)
x_w = np.empty(x.shape)
x_w.fill(1/x.shape[0])
y_w = np.empty(y.shape)
y_w.fill(1/y.shape[0])
bins = np.linspace(-10, 10, 30)

plt.hist([x, y], bins, weights=[x_w, y_w], label=['x', 'y'])
plt.legend(loc='upper right')
plt.show()

https://i.stack.imgur.com/pEXV5.png

作为比较，具有默认权重和 density=True 的 x 和 y 向量完全相同：

https://i.stack.imgur.com/gDJsL.png

您应该使用 hist 返回的值中的 bins：

import numpy as np
import matplotlib.pyplot as plt

foo = np.random.normal(loc=1, size=100) # a normal distribution
bar = np.random.normal(loc=-1, size=10000) # a normal distribution

_, bins, _ = plt.hist(foo, bins=50, range=[-6, 6], normed=True)
_ = plt.hist(bar, bins=bins, alpha=0.5, normed=True)

https://i.stack.imgur.com/ATCHO.png

这是一种简单的方法，可以在数据大小不同时在同一图上绘制两个并排的直方图：

def plotHistogram(p, o):
    """
    p and o are iterables with the values you want to 
    plot the histogram of
    """
    plt.hist([p, o], color=['g','r'], alpha=0.8, bins=50)
    plt.show()

听起来您可能只需要一个条形图：

http://matplotlib.sourceforge.net/examples/pylab_examples/bar_stacked.html

http://matplotlib.sourceforge.net/examples/pylab_examples/barchart_demo.html

或者，您可以使用子图。

也是一个与华金答案非常相似的选项：

import random
from matplotlib import pyplot

#random data
x = [random.gauss(3,1) for _ in range(400)]
y = [random.gauss(4,2) for _ in range(400)]

#plot both histograms(range from -10 to 10), bins set to 100
pyplot.hist([x,y], bins= 100, range=[-10,10], alpha=0.5, label=['x', 'y'])
#plot legend
pyplot.legend(loc='upper right')
#show it
pyplot.show()

给出以下输出：

https://i.stack.imgur.com/xzJl7.png

绘制两个重叠的直方图（或更多）可能会导致图相当混乱。我发现使用 step histograms（又名空心直方图）可以大大提高可读性。唯一的缺点是在 matplotlib 中，阶跃直方图的默认图例格式不正确，因此可以像以下示例一样对其进行编辑：

import numpy as np                   # v 1.19.2
import matplotlib.pyplot as plt      # v 3.3.2
from matplotlib.lines import Line2D

rng = np.random.default_rng(seed=123)

# Create two normally distributed random variables of different sizes
# and with different shapes
data1 = rng.normal(loc=30, scale=10, size=500)
data2 = rng.normal(loc=50, scale=10, size=1000)

# Create figure with 'step' type of histogram to improve plot readability
fig, ax = plt.subplots(figsize=(9,5))
ax.hist([data1, data2], bins=15, histtype='step', linewidth=2,
        alpha=0.7, label=['data1','data2'])

# Edit legend to get lines as legend keys instead of the default polygons
# and sort the legend entries in alphanumeric order
handles, labels = ax.get_legend_handles_labels()
leg_entries = {}
for h, label in zip(handles, labels):
    leg_entries[label] = Line2D([0], [0], color=h.get_facecolor()[:-1],
                                alpha=h.get_alpha(), lw=h.get_linewidth())
labels_sorted, lines = zip(*sorted(leg_entries.items()))
ax.legend(lines, labels_sorted, frameon=False)

# Remove spines
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# Add annotations
plt.ylabel('Frequency', labelpad=15)
plt.title('Matplotlib step histogram', fontsize=14, pad=20)
plt.show()

https://i.stack.imgur.com/OpYk5.png

如您所见，结果看起来很干净。这在重叠甚至超过两个直方图时特别有用。根据变量的分布方式，这最多可用于大约 5 个重叠分布。不仅如此，还需要使用另一种类型的绘图，例如其中一个 here。

以防万一您有 pandas (import pandas as pd) 或可以使用它：

test = pd.DataFrame([[random.gauss(3,1) for _ in range(400)], 
                     [random.gauss(4,2) for _ in range(400)]])
plt.hist(test.values.T)
plt.show()

这个问题之前已经回答过，但想添加另一个快速/简单的解决方法，可以帮助其他访问者解决这个问题。

import seasborn as sns 
sns.kdeplot(mydata1)
sns.kdeplot(mydata2)

一些有用的示例是用于 kde 与直方图比较的 here。

受所罗门回答的启发，但要坚持与直方图相关的问题，一个干净的解决方案是：

sns.distplot(bar)
sns.distplot(foo)
plt.show()

确保首先绘制较高的直方图，否则您需要设置 plt.ylim(0,0.45) 以便不切断较高的直方图。

当您想从二维 numpy 数组绘制直方图时，有一个警告。您需要交换 2 个轴。

import numpy as np
import matplotlib.pyplot as plt

data = np.random.normal(size=(2, 300))
# swapped_data.shape == (300, 2)
swapped_data = np.swapaxes(x, axis1=0, axis2=1)
plt.hist(swapped_data, bins=30, label=['x', 'y'])
plt.legend()
plt.show()

https://i.stack.imgur.com/k4kk3.png