Python 如何在0,1之间绘制y？

我正在尝试在（0，1）或（0和1）之间绘制y 我尝试了很多东西，但是我的直方图不好，如果你认为有 你能帮我个忙吗？我用了matplotlib.pyplot.ylim（0.0，1），但不起作用

代码是

import numpy
import numpy as np
import matplotlib.pyplot
import pylab
data = []


for j in range(40000):
    totalX= 0
    totalY = 0
    for i in range (5):

        # calculate order
        X = numpy.random.gamma(5.0)
        totalX = totalX+ X


        # calculate production
        Y = min(7.26, X)

        totalY = totalY + Y

        # calcculate new inventory
        #inventory = inventory + production - order
       # if inventory < 0:
         #   inventory = 0

    # calculate fill rate for last 5 orders
    fr = float(totalY) / float(totalX)
    if fr > 1:
        fr = 1

    # append FR to dataset
    data.append(fr)




matplotlib.pyplot.hist(data, normed = True, bins =30, align = 'right')
#matplotlib.pyplot.xticks(([.75, .80, .85, .90, .95, 1]))
matplotlib.pyplot.xlim(.70, 1.009)

#matplotlib.pyplot.minorticks_on()
matplotlib.pyplot.tick_params(axis='both', length = 10)
matplotlib.pyplot.axvline(numpy.mean(data), color = 'r')
matplotlib.pyplot.xlabel('Fill Rate')
matplotlib.pyplot.ylabel('Probability')
pylab.show()

导入numpy
将numpy作为np导入
导入matplotlib.pyplot
进口派拉布
数据=[]
对于范围（40000）内的j：
totalX=0
总计=0
对于范围（5）中的i：
#计算订单
X=numpy.random.gamma（5.0）
totalX=totalX+X
#计算产量
Y=最小值（7.26，X）
totalY=totalY+Y
#计算新存货
#库存=库存+生产-订单
#如果库存<0：
#存货=0
#计算最近5个订单的填充率
fr=浮动（总计）/浮动（总计X）
如果fr>1：
fr=1
#将FR追加到数据集
数据追加（fr）
matplotlib.pyplot.hist（数据，normed=True，bin=30，align=right）
#matplotlib.pyplot.xticks（（[75,80,85,90,95,1]））
matplotlib.pyplot.xlim（.70,1.009）
#matplotlib.pyplot.minorticks_on（）
matplotlib.pyplot.tick_参数（axis='both'，length=10）
matplotlib.pyplot.axvline（numpy.mean（数据），颜色='r'）
matplotlib.pyplot.xlabel（'填充率'）
matplotlib.pyplot.ylabel（'概率'）
pylab.show（）

当您说“我试图在（0，1）或（0和1之间）绘制y”时，您的意思是希望条的总和为1

在这种情况下，你应该考虑替换

    matplotlib.pyplot.hist(data, normed = True, bins =30, align = 'right')

与

如图所示：

---

注：Normed=True允许将条上的积分设为1（而不是条的总和）

将y轴上的柱状图剪切为（0,1）是没有意义的，因为柱状图统计事件，通常在许多箱子中会有多个事件。听起来你想缩放直方图，将事件数除以事件总数。这取决于你是否需要一个bin频率的估计值，或者基本上是其积分的累积分布函数。正如我所建议的，将柱状图除以1/#事件将给出垃圾箱的频率，

pandas.Series.quantile

构成一个很好的反向CDF。我不知道如何欣赏你，现在我可以看到，我理解了，我希望你能做到最好。

    weights = np.ones_like(data)/len(data)
    matplotlib.pyplot.hist(data, weights=weights)