Python 将直方图箱添加到一起并绘制图形

我有一个包含8192个箱子的直方图，每个箱子从文本文件的一行导入。简而言之，它非常适合，有人建议我可以通过添加相邻垃圾箱的计数来减少统计错误。e、 g.添加0-7个料仓，以制作新的第一个料仓，宽度为8倍，但高度为8倍（大致）

理想情况下，我们希望能够输出由代码中单个常量控制的二进制宽度的直方图。但是，我尝试这样做，而不是生成下面的第一个图像（这是我的代码版本生成的，它只能生成binwidth为1的图像），生成下面的第二个图像，缺少拟合线，并且在同一图像文件中有第二个空图（我尝试将代码概括为任何binwidth生成的图像）。 以下是直接根据原始数据绘制的直方图，即binwidth=1 原始代码输出，仅适用于binwidth 1

尝试使用come代码修改的箱子宽度8的示例

我还需要它来返回一个拟合报告，以及高斯曲线下的面积，因为这是在代码后面绘制的，呈指数衰减曲线

以下是我认为相关的代码部分：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
from numpy import exp, loadtxt, pi, sqrt, random, linspace
from lmfit import Model
import glob, os

    ## Load text file
    x = np.linspace(0, 8191, 8192)
    finalprefix = str(n).zfill(3)
    fullprefix = folderToAnalyze + prefix + finalprefix
    y = loadtxt(fullprefix + ".Spe", skiprows= 12, max_rows = 8192) 

    ## Make figure and label
    fig, ax = plt.subplots(figsize=(15,8))
    fig.suptitle('Photon coincidence detections from $β^+$ + $β^-$ annhilation', fontsize=18)
    plt.xlabel('Bins', fontsize=14)
    plt.ylabel('Counts', fontsize=14)

    ## Plot data
    ax.bar(x, y)
    ax.set_xlim(600,960)
    
    ##  Adding Bins Together
    y = y.astype(int)
    x = x.astype(int)

    ## create the data
    data = np.repeat(x, y)

    ## determine the range of x
    x_range = range(min(data), max(data)+1)

    ## determine the length of x
    x_len = len(x_range)

    ## plot
    fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(10, 10))

    ax1.hist(data, bins=x_len)  # outliers are not plotted
    plt.show()
    
    ## given x_len determine how many bins for a given bin width
    width = 8
    bins = int(np.round(x_len / width))

    ## determine new x and y for the histogram
    y, x = np.histogram(data, bins=bins)

    ## Fit data to Gaussian
    gmodel = Model(gaussian)
    result = gmodel.fit(y, x=x[:-1], amp=8, cen=approxcen, wid=1)

    ## result
    print(result.fit_report())
    fig.savefig("abw_" + finalprefix + ".png")
        
    ## Append to list if error in amplitude and amplitude itself is within reasonable bounds
    if result.params['amp'].stderr < stderrThreshold and result.params['amp'] > minimumAmplitude:
        amps.append(result.params['amp'].value) 
        ampserr.append(result.params['amp'].stderr) 
        ts.append(MaestroT*n)

## Plot decay curve
fig, ax = plt.subplots()
ax.errorbar(ts, amps, yerr= 2*np.array(ampserr), fmt="ko-", capsize = 5, capthick= 2, elinewidth=3, markersize=5)
plt.xlabel('Time', fontsize=14)
plt.ylabel('Peak amplitude', fontsize=14)
plt.title("Decay curve of P-31 by $β^+$ emission", fontsize=14)

将numpy导入为np
将matplotlib.pyplot作为plt导入
从scipy.optimize导入曲线\u拟合
从numpy导入exp、loadtxt、pi、sqrt、random、linspace
从lmfit导入模型
导入全局操作系统
##加载文本文件
x=np.linspace（081918192）
finalprefix=str（n）.zfill（3）
fullprefix=文件夹分析+前缀+最终引用
y=loadtxt（fullprefix+“.Spe”，skiprows=12，最大行数=8192）
##制作图形和标签
图，ax=plt.子批次（图尺寸=（15,8））
图suptitle（$β^+$+$β^-$annhilation的光子符合检测，$fontsize=18）
plt.xlabel（'bin'，fontsize=14）
plt.ylabel（'Counts'，fontsize=14）
##绘图数据
轴杆（x，y）
ax.set_xlim（600960）
##将垃圾箱添加到一起
y=y.aType（int）
x=x.aType（int）
##创建数据
数据=np。重复（x，y）
##确定x的范围
x_范围=范围（最小值（数据）、最大值（数据）+1）
##确定x的长度
x_len=len（x_范围）
##密谋
图（ax1，ax2）=plt.子批次（nrows=2，figsize=（10，10））
ax1.hist（数据，bin=x_len）#未绘制异常值
plt.show（）
##给定x_len确定给定料仓宽度的料仓数量
宽度=8
箱子=整数（np.圆形（x_长度/宽度））
##确定直方图的新x和y
y、 x=np.直方图（数据，箱=箱）
##将数据拟合到高斯分布
G模型=模型（高斯）
结果=gmodel.fit（y，x=x[：-1]，amp=8，cen=approxcen，wid=1）
##结果
打印（result.fit_report（））
图savefig（“abw_u“+finalprefix+”.png）
##若振幅和振幅本身的误差在合理范围内，则追加到列表中
如果result.params['amp'].stderr最小振幅：
amps.append（result.params['amp'].value）
amperr.append（result.params['amp'].stderr）
ts.append（大师*n）
##绘制衰减曲线
图，ax=plt.子批次（）
最大误差条（ts，amp，yerr=2*np.array（amp），fmt=“ko-”，倾覆=5，capthick=2，elinewidth=3，markersize=5）
plt.xlabel（'Time'，fontsize=14）
plt.ylabel（'峰值振幅'，fontsize=14）
plt.title（“P-31通过$β^+$emission的衰减曲线”，fontsize=14）

1.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,0,0,0} 我认为当箱子宽度为1和8时，这应该会创建两个形状截然不同的直方图。虽然我刚刚制作了它们，但拟合可能不好，值得一提的是，我遇到的一个问题与能够将从文本文件读取的信息相加有关

如果有用：

-这是原始代码

---

-这是柱状图的示例

对不起，您的示例太长太复杂，我无法理解。但为什么您会说您显示的第一个匹配（打印和嵌入输出文本）是不好的吗？也许一个合适的箱子会更好。这是一个更好的箱子，大约有500个。只是觉得这更容易看。chi^2值97通常并不表示适合。而且你可以看到箱子的数量经常与适合线有很大的不同-这主要是因为在18秒内，每个箱子的cou数量很少nts。有人建议我解决这个问题的一个方法是，将多个箱子的计数相加，比如说，将两个箱子相加，用两倍的计数表示136s窗口。这意味着统计波动会更小，拟合会更容易应用。问题是，当我尝试这样做时，遵循另一个问题中的示例，我不久前被问到，我得到的例子有两个数字——一个没有拟合，一个没有数据。什么能让它更容易理解呢？很高兴认识另一位加速器专家——我是英国pelletron的一名实验官员