XY数据的逐点箱子编号和箱子高度（使用Python）_Python_Numpy_Matplotlib_Seaborn

XY数据的逐点箱子编号和箱子高度（使用Python）

python numpy matplotlib

XY数据的逐点箱子编号和箱子高度（使用Python）,python,numpy,matplotlib,seaborn,Python,Numpy,Matplotlib,Seaborn,在XY分布的2D柱状图中，如何知道每个点对应的箱子编号和箱子高度如何正确地可视化结果（最好是使用seaborn）？因此，我想创建一个图，其中我的x，y数据点将与使用numpy.historogram2d计算的直方图叠加 import numpy as np import matplotlib.pyplot as plt import seaborn as sns np.random.seed(9) x = np.round(10*np.random.rand(12), 1) y = np.

在XY分布的2D柱状图中，如何知道每个点对应的箱子编号和箱子高度

如何正确地可视化结果（最好是使用

seaborn

）？

因此，我想创建一个图，其中我的x，y数据点将与使用

numpy.historogram2d

计算的直方图叠加

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(9)

x = np.round(10*np.random.rand(12), 1)
y = np.round(10*np.random.rand(12), 1)

binrange=([x.min(), x.max()+1], [y.min(), y.max()+1]

h, ex, ey = np.histogram2d(x, y, bins=5, range=binrange), density=False)
nx = np.digitize(x, bins=ex)
ny = np.digitize(y, bins=ey)

print('Why do my points fall into empty bins??')
print('Values:', '\n', x, '\n', y, '\n')
print('Bins', '\n', ex, '\n', ey, '\n')
print('Bin numbers:\n', nx, '\n', ny, '\n')

sns.histplot(x=x, y=y, bins=5, binrange=binrange), cbar=True)
sns.scatterplot(x=x, y=y, s=15, color='k')
plt.suptitle('What I expect to see')

输出：

 Values: 
 [0.1 5.  5.  1.3 1.4 2.2 4.2 2.5 0.8 3.5 1.7 8.8] 
 [9.5 0.4 7.  5.7 9.  6.7 5.5 7.  3.9 6.9 8.2 4.7] 

Bins 
 [0.1  2.04 3.98 5.92 7.86 9.8 ] 
 [ 0.4   2.42  4.44  6.46  8.48 10.5 ] 

Bin numbers:
 [1 3 3 1 1 2 3 2 1 2 1 5] 
 [5 1 4 3 5 4 3 4 2 4 4 3]

这里的一个小技巧是使用

np.rot90

正确旋转计算出的直方图：

plt.imshow(np.rot90(h, 1), 
           extent=[x.min(), x.max()+1, y.min(), y.max()+1], origin='upper', cmap='Blues')
plt.colorbar()
plt.scatter(x=x, y=y, s=10, color='k')

这样，问题几乎就解决了。但是，使用

sns.heatmap

绘制最后一个绘图需要更多的时间。这里的主要问题是如何设置轴的范围。或者，我们可以将原始数据缩放到极限值（0，单元数量）

例如：

def transform(distrA, limitsA, limitsB):
    '''Transforms distribution of unevenly distributed points in a space A to space B"
    Input:
    distrA - numpy 2D array [[arrdim1 ...], [arrdim2 ...], [arrdim3 ...], [arrdim4 ...]] - 
             Distribution to be transformed.
    limitsA and limitsB - (array of pairs) - 
             Limits of space A and B, correspondingly, in the form (lower, higher)
        
    Output:
    distrB - transformed distribution'''
    
    shape=distrA.shape
    distrB = np.empty(shape=distrA.shape)
    for i in range(shape[0]):
        spanA = limitsA[i][1] - limitsA[i][0]
        spanB = limitsB[i][1] - limitsB[i][0]
        for j in range(shape[1]):  
            distrB[i, j] = spanB * (distrA[i, j]-limitsA[i][0]) / spanA + limitsB[i][0]
        
    return distrB

hm=sns.heatmap(np.rot90(h, 1), cmap='Blues', annot=True)
h_trans=transform(np.asarray([x, y]), 
                  [[x.min(), x.max()+1], [y.min(), y.max()+1]], 
                  ((0,5), (5,0))
                  )

sns.scatterplot(x=h_trans[0], y=h_trans[1], s=20, color='k')
plt.title('Desired seaborn heatmap')