Python matplotlib.pyplot.hist返回一个直方图，其中当我有不同的数据时，所有箱子都具有相同的值

我正在尝试使用matplotlib.pyplot.hist在python中创建直方图。 我有一个不同的数据数组，但是当我将代码放入python中时，直方图返回时，所有容器中的值彼此相等，或者等于零，这是不正确的

柱状图应在其上方的线形图上显示，且箱子的高度和形状与上图大致相同

柱状图上方的折线图是用来说明我的数据是什么样子的，并表明我的数据确实有所不同

我的数据数组称为spectrumnoise，它只是我针对数组x创建的一个函数

x=np.arange[0.1,20.1,0.1]

我用来创建柱状图和上面的折线图的代码是

import matplotlib.pylot as mpl 
mpl.plot(x,spectrumnoise)
mpl.hist(spectrumnoise,bins=50,histtype='step')
mpl.show()

我也尝试过使用

mpl.hist((x,spectrumnoise),bins=50,histtype=step)

我还无数次地改变了箱子的数量，看看这是否有助于直方图函数的正常化，但没有任何效果

代码输出的图像可以在这里看到

---

问题在于

频谱噪声

是数组的

列表

，而不是

numpy.ndarray

。当您将数组列表作为第一个参数，它会将每个元素作为单独的数据集进行打印。所有箱子的高度都相同，因为列表中的每个“数据集”中只有一个值

从

hist

docstring：

可以通过x提供多个数据作为数据集列表 长度可能不同（[x0，x1，…]），或 一种二维数据数组，其中每列都是一个数据集

尝试将

spectrumnoise

转换为1D阵列：

pp.hist(np.vstack(spectrumnoise),50)

另一方面，看看你的代码，绝对没有理由首先将数据转换成列表。您应该直接对阵列中的片进行操作，例如：

data[20:40] += y1

---

问题在于

spectrumnoise

是数组的

列表，而不是
numpy.ndarray
。当您将数组列表作为第一个参数，它会将每个元素作为单独的数据集进行打印。所有箱子的高度都相同，因为列表中的每个“数据集”中只有一个值

从
hist
docstring：

可以通过x提供多个数据作为数据集列表
长度可能不同（[x0，x1，…]），或
一种二维数据数组，其中每列都是一个数据集

尝试将
spectrumnoise
转换为1D阵列：

pp.hist(np.vstack(spectrumnoise),50)

另一方面，看看你的代码，绝对没有理由首先将数据转换成列表。您应该直接对阵列中的片进行操作，例如：

data[20:40] += y1

图表确实不同（即并非全部在一个箱子中，箱子中的值不同），它应该是什么样子直方图应该像上面的折线图，折线图中的数据与用于直方图的数据相同，然而，我的直方图功能不起作用，因此直方图条应该大致与上面的折线图一样高。你的问题是“然而，我得到的唯一输出是下面的图片，即使我的数据明显不同。”输出中的数据确实不同。是的，我知道，但我需要生成数据的直方图，我不想要线图。你确定hist是正确的函数吗？似乎
spectrumnoise
中的数据已经被装箱，而不是原始样本。如果是这种情况，你可以只画一个条形图（例如，
mpl.bar（x，spectrumnoise，width=0.25）
）图形是不同的（即不是全部在一个箱子里，箱子里有不同的值），它应该是什么样子直方图应该像上面的线形图，线形图中的数据与用于直方图的数据相同，然而，我的直方图功能不起作用，因此直方图条应该大致与上面的折线图一样高。你的问题是“然而，我得到的唯一输出是下面的图片，即使我的数据明显不同。”输出中的数据确实不同。是的，我知道，但我需要生成数据的直方图，我不想要线图。你确定hist是正确的函数吗？似乎
spectrumnoise
中的数据已经被装箱，而不是原始样本。如果是这样的话，你可以画一个条形图（例如，
mpl.bar（x，spectrumnoise，width=0.25）
），非常感谢！我不知道为什么它不起作用，我很高兴它这么简单。我将所有数据转换成列表，因为我不知道如何将数组添加到一起，所以非常感谢您帮助我简化代码！我很高兴这有帮助。作为将来的参考，如果您确实需要将数组连接在一起，您可以使用
np.concatenate
（虽然连接数组比较慢，通常最好避免）。非常感谢！我不知道为什么它不起作用，我很高兴它这么简单。我将所有数据转换成列表，因为我不知道如何将数组添加到一起，所以非常感谢您帮助我简化代码！我很高兴这有帮助。作为将来的参考，如果您确实需要将数组连接在一起，可以使用
np.concatenate
（虽然连接数组比较慢，通常最好避免）。