Python Matplotlib hist（）对二维numpy数组输入有什么作用？

假设我有一个二维Numpy数组。它应该表示PyTorch线性层的学习权重。下面我将创建一个充满高斯随机数的示例数组

将numpy导入为np
作为pd进口熊猫
将matplotlib.pyplot作为plt导入
数据=np.随机.正常（大小=（4768））
打印（数据.形状）#（4768）

然后，我尝试使用Matplotlib函数创建值的直方图。我使用的是Jupyter笔记本（Google Colab）。当我调用下面这样的函数时（通过传递原始的2-D数组），需要很长时间才能完成，并且视觉输出非常奇怪

%%次
_=plt.hist（数据，存储箱=100）
#结果:
#CPU时间：用户48.5秒，系统：737毫秒，总计：49.2秒
#壁时间：49.2秒

另一方面，当我使用

restrape（）

将二维数组重塑为一维数组时，

hist（）

函数几乎立即完成，并且可视化具有我所期望的形状，即高斯曲线

data=data.restrape（-1）
打印（数据.形状）#（3072，）

%%次
_=plt.hist（数据，存储箱=100）
#结果:
#CPU时间：用户70.7毫秒，系统2.01毫秒，总计72.7毫秒
#壁时间：70.9毫秒

那么我第一次尝试通过二维阵列时到底发生了什么？为什么要花这么长时间？可视化图形代表什么

---

谢谢您的帮助。

我很惊讶matplotlib与numpy不同，它没有首先展平输入数组。但是，声明输入

x

可以是

（n，）数组或（n，）数组序列。这就是matplotlib如何将输入768个形状数组（4，）解释为一个图形中的768个直方图，这些数组在输出中显示为768个。你看不到太多，因为这些条相当薄，有76800条要显示——增加图形大小和分辨率可能会改善这一点。
data=np.random.normal（size=（768,4））
的相反情况揭示了这一点，因为现在只需显示400条：


但我们也可以看看matplotlib返回的内容：

hist_count, hist_bins, hist_bars = plt.hist(data, bins=100)
print(hist_count.shape)
>>>(768, 100)
print(hist_bars)
>>><a list of 768 BarContainer objects>

hist_count，hist_bin，hist_bar=plt.hist（数据，bin=100）
打印（历史计数形状）
>>>(768, 100)
打印（历史记录栏）
>>>
您得到768个直方图，其中4个值分布在100个箱子中。感谢您的解释。文档中没有提供太多关于
plt.hist（）
如何处理二维数组的信息。我不知道matplotlib的内部工作原理，但这可能（如果不是有意的话）是一个副作用，因为它们使用类似的例程来绘制
hist（）
和
hist2D（）
？只是一个猜测，如果有更具洞察力的人发布了答案，请毫不犹豫地接受更好的答案。
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(123)
data = np.random.normal(size=(4, 5))
print(data.shape) #(4, 5)

hist_count, hist_bins, hist_bars = plt.hist(data, bins=6)

print(hist_count.shape) #(5, 6)
print(hist_count)
#[[0. 1. 2. 0. 0. 1.]
# [1. 0. 0. 1. 1. 1.]
# [0. 0. 1. 1. 0. 2.]
# [0. 1. 1. 0. 2. 0.]
# [0. 0. 3. 1. 0. 0.]]
print(hist_bins) #[-2.42667924 -1.65457769 -0.88247613 -0.11037458  0.66172697  1.43382853  2.20593008]
print(hist_bars) #<a list of 5 BarContainer objects>
plt.show()