Python 浮点的标准化直方图：numpy/matplotlib中的意外行为

那么，就这么定了。我有一个很大的介于0和1之间的浮动数组。我想要一个1-d浮点数数组，用于计算特定容器中有多少实例。在单位间隔内有32个料箱均匀分布

我原以为一个标准化的柱状图可以满足我的要求，但我有一些令人费解的行为。基本上，标准化直方图应该返回我想要的（我会认为），但它抛出的值超出了[0,1]

>>> from numpy import *
>>> import matplotlib. pyplot as plt
>>> a = random.normal(0.4,0.1,1024)
>>> plt.hist(a, bins=32,range = ([0,1]),normed=True)
(array([ 0.     ,  0.     ,  0.0625 ,  0.03125,  0.15625,  0.40625,
        0.5    ,  1.     ,  2.0625 ,  2.     ,  3.125  ,  3.65625,
        3.78125,  4.3125 ,  3.3125 ,  2.59375,  1.8125 ,  1.40625,
        0.90625,  0.34375,  0.375  ,  0.0625 ,  0.0625 ,  0.03125,
        0.     ,  0.     ,  0.     ,  0.     ,  0.     ,  0.     ,
        0.     ,  0.     ]), array([ 0.     ,  0.03125,  0.0625 ,  0.09375,  0.125  ,  0.15625,
        0.1875 ,  0.21875,  0.25   ,  0.28125,  0.3125 ,  0.34375,
        0.375  ,  0.40625,  0.4375 ,  0.46875,  0.5    ,  0.53125,
        0.5625 ,  0.59375,  0.625  ,  0.65625,  0.6875 ,  0.71875,
        0.75   ,  0.78125,  0.8125 ,  0.84375,  0.875  ,  0.90625,
        0.9375 ,  0.96875,  1.     ]), <a list of 32 Patch objects>)
>>> histogram(a, bins=32,range = ([0,1]),density=True)
(array([ 0.     ,  0.     ,  0.0625 ,  0.03125,  0.15625,  0.40625,
        0.5    ,  1.     ,  2.0625 ,  2.     ,  3.125  ,  3.65625,
        3.78125,  4.3125 ,  3.3125 ,  2.59375,  1.8125 ,  1.40625,
        0.90625,  0.34375,  0.375  ,  0.0625 ,  0.0625 ,  0.03125,
        0.     ,  0.     ,  0.     ,  0.     ,  0.     ,  0.     ,
        0.     ,  0.     ]), array([ 0.     ,  0.03125,  0.0625 ,  0.09375,  0.125  ,  0.15625,
        0.1875 ,  0.21875,  0.25   ,  0.28125,  0.3125 ,  0.34375,
        0.375  ,  0.40625,  0.4375 ,  0.46875,  0.5    ,  0.53125,
        0.5625 ,  0.59375,  0.625  ,  0.65625,  0.6875 ,  0.71875,
        0.75   ,  0.78125,  0.8125 ,  0.84375,  0.875  ,  0.90625,
        0.9375 ,  0.96875,  1.     ]))

来自numpy导入的

>>*
>>>导入matplotlib。pyplot作为plt
>>>a=随机。正常（0.4,0.11024）
>>>plt.hist（a，bin=32，range=（[0,1]），normed=True）
（数组（[0,0,0.0625,0.03125,0.15625,0.40625，
0.5    ,  1.     ,  2.0625 ,  2.     ,  3.125  ,  3.65625,
3.78125,  4.3125 ,  3.3125 ,  2.59375,  1.8125 ,  1.40625,
0.90625,  0.34375,  0.375  ,  0.0625 ,  0.0625 ,  0.03125,
0.     ,  0.     ,  0.     ,  0.     ,  0.     ,  0.     ,
阵列（[0,0.03125,0.0625,0.09375,0.125,0.15625，
0.1875 ,  0.21875,  0.25   ,  0.28125,  0.3125 ,  0.34375,
0.375  ,  0.40625,  0.4375 ,  0.46875,  0.5    ,  0.53125,
0.5625 ,  0.59375,  0.625  ,  0.65625,  0.6875 ,  0.71875,
0.75   ,  0.78125,  0.8125 ,  0.84375,  0.875  ,  0.90625,
0.9375 ,  0.96875,  1.     ]), )
>>>柱状图（a，仓位=32，范围=（[0,1]），密度=真）
（数组（[0,0,0.0625,0.03125,0.15625,0.40625，
0.5    ,  1.     ,  2.0625 ,  2.     ,  3.125  ,  3.65625,
3.78125,  4.3125 ,  3.3125 ,  2.59375,  1.8125 ,  1.40625,
0.90625,  0.34375,  0.375  ,  0.0625 ,  0.0625 ,  0.03125,
0.     ,  0.     ,  0.     ,  0.     ,  0.     ,  0.     ,
阵列（[0,0.03125,0.0625,0.09375,0.125,0.15625，
0.1875 ,  0.21875,  0.25   ,  0.28125,  0.3125 ,  0.34375,
0.375  ,  0.40625,  0.4375 ,  0.46875,  0.5    ,  0.53125,
0.5625 ,  0.59375,  0.625  ,  0.65625,  0.6875 ,  0.71875,
0.75   ,  0.78125,  0.8125 ,  0.84375,  0.875  ,  0.90625,
0.9375 ,  0.96875,  1.     ]))

事实上，这种行为不仅仅适用于小型浮动。如果你把正态分布集中在，比如说，7.4上，然后把范围扩大到[7,8]，你会得到同样令人费解的行为

使用

numpy

的

histogram

函数和

matplotlib

的

hist

可以获得相同的行为。（我认为这是前者的包装？有点？）

我在做傻事吗？这是虫子吗？有没有更好的方法来创建表示近似数据的离散分布的数组

我在做傻事吗

嗯，是的，从某种意义上说，在有些事情令人困惑时不阅读文档是愚蠢的，但老实说，我通常也要晚很多才会阅读文档，所以我不适合扔石头。（^）

从

帮助（plt.hist）

：

基本上，正常化保证的是什么

>>> a = np.random.normal(0.4,0.1,1024)
>>> n, bins, patches = plt.hist(a, bins=32,range = ([0,1]),normed=True)
>>> (np.diff(bins) * n).sum()
1.0

我在做傻事吗

嗯，是的，从某种意义上说，在有些事情令人困惑时不阅读文档是愚蠢的，但老实说，我通常也要晚很多才会阅读文档，所以我不适合扔石头。（^）

从

帮助（plt.hist）

：

基本上，正常化保证的是什么

>>> a = np.random.normal(0.4,0.1,1024)
>>> n, bins, patches = plt.hist(a, bins=32,range = ([0,1]),normed=True)
>>> (np.diff(bins) * n).sum()
1.0

我在做傻事吗

嗯，是的，从某种意义上说，在有些事情令人困惑时不阅读文档是愚蠢的，但老实说，我通常也要晚很多才会阅读文档，所以我不适合扔石头。（^）

从

帮助（plt.hist）

：

基本上，正常化保证的是什么

>>> a = np.random.normal(0.4,0.1,1024)
>>> n, bins, patches = plt.hist(a, bins=32,range = ([0,1]),normed=True)
>>> (np.diff(bins) * n).sum()
1.0

我在做傻事吗

嗯，是的，从某种意义上说，在有些事情令人困惑时不阅读文档是愚蠢的，但老实说，我通常也要晚很多才会阅读文档，所以我不适合扔石头。（^）

从

帮助（plt.hist）

：

基本上，正常化保证的是什么

>>> a = np.random.normal(0.4,0.1,1024)
>>> n, bins, patches = plt.hist(a, bins=32,range = ([0,1]),normed=True)
>>> (np.diff(bins) * n).sum()
1.0

---

我意识到只要设置

normed=hist/float（sum（hist））

就很容易了，其中

hist

是未设置规范的柱状图（效果很好）。但令人费解的是，无论如何都不会发生这种情况。标准化的输出将在箱子的范围内积分到1的值。我意识到设置

normed=hist/float（sum（hist））

非常容易，其中

hist

是非标准化的直方图（工作正常）。但令人费解的是，无论如何都不会发生这种情况。标准化的输出将在箱子的范围内积分到1的值。我意识到设置

normed=hist/float（sum（hist））

非常容易，其中

hist

是非标准化的直方图（工作正常）。但令人费解的是，无论如何都不会发生这种情况。标准化的输出将在箱子的范围内积分到1的值。我意识到设置

normed=hist/float（sum（hist））

非常容易，其中

hist

是非标准化的直方图（工作正常）。但令人费解的是，无论如何情况并非如此。标准化的输出将在容器的范围内积分到1的值。