Python：从 numpy 矩阵创建二维直方图

Question

我是 python 新手。

我有一个 numpy 矩阵，尺寸为 42x42，值范围为 0-996。我想使用这些数据创建一个 2D 直方图。我一直在看教程，但它们似乎都展示了如何从随机数据而不是 numpy 矩阵创建二维直方图。

到目前为止，我已经导入了：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import colors

我不确定这些是否是正确的导入，我只是想从我看到的教程中获取我能找到的东西。

我有一个包含所有值的 numpy 矩阵 M（如上所述）。最后，我希望它看起来像这样：

显然，我的数据会有所不同，所以我的情节应该看起来不同。谁能帮帮我？

编辑：出于我的目的，Hooked 的下面使用 matshow 的示例正是我正在寻找的。​​p>

Answer 1

如果您有来自计数的原始数据，您可以使用 plt.hexbin 为您创建图（恕我直言，这比方格好）：改编自 hexbin 的示例：

import numpy as np
import matplotlib.pyplot as plt

n = 100000
x = np.random.standard_normal(n)
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n)
plt.hexbin(x,y)

plt.show()

如果您提到的矩阵中已有 Z 值，只需使用 plt.imshow 或 plt.matshow：

XB = np.linspace(-1,1,20)
YB = np.linspace(-1,1,20)
X,Y = np.meshgrid(XB,YB)
Z = np.exp(-(X**2+Y**2))
plt.imshow(Z,interpolation='none')

Answer 2

如果您不仅有 2D 直方图矩阵而且还有基础 (x, y) 数据，那么您可以制作 (x, y) 点的散点图，并根据 2D 直方图矩阵中的分箱计数值对每个点进行着色：

import numpy as np
import matplotlib.pyplot as plt

n = 10000
x = np.random.standard_normal(n)
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n)
xedges, yedges = np.linspace(-4, 4, 42), np.linspace(-25, 25, 42)
hist, xedges, yedges = np.histogram2d(x, y, (xedges, yedges))
xidx = np.clip(np.digitize(x, xedges), 0, hist.shape[0]-1)
yidx = np.clip(np.digitize(y, yedges), 0, hist.shape[1]-1)
c = hist[xidx, yidx]
plt.scatter(x, y, c=c)

plt.show()

---

Answer 3

我是“散点直方图”的忠实拥护者，但我认为其他解决方案并不能完全做到公正。 Here is a function 实现它们。与其他解决方案相比，此函数的主要优点是它按历史数据对点进行排序（请参阅mode 参数）。这意味着结果看起来更像传统的直方图（即，您不会在不同的 bin 中看到标记的混乱重叠）。

此图的 MCVE（使用 my function）：

import numpy as np
import matplotlib.pyplot as plt
from hist_scatter import scatter_hist2d

fig = plt.figure(figsize=[5, 4])
ax = plt.gca()

x = randgen.randn(npoint)
y = 2 + 3 * x + 4 * randgen.randn(npoint)

scat = scatter_hist2d(x, y,
                      bins=[np.linspace(-4, 4, 42),
                            np.linspace(-25, 25, 42)],
                      s=5,
                      cmap=plt.get_cmap('viridis'))
ax.axhline(0, color='k', linestyle='--', zorder=3, linewidth=0.5)
ax.axvline(0, color='k', linestyle='--', zorder=3, linewidth=0.5)
plt.colorbar(scat)

---

还有改进的余地？

这种方法的主要缺点是最密集区域中的点与低密度区域中的点重叠，导致每个 bin 的区域存在一定程度的错误表示。我花了很多时间探索解决这个问题的两种方法：

1) 对更高密度的 bin 使用更小的标记

2) 对每个 bin 应用“剪辑”蒙版

第一个gives results 太疯狂了。第二个看起来不错 - 特别是如果您只剪辑具有 >~20 点的垃圾箱 - 但它非常慢（this figure 花了大约一分钟）。

所以，我最终决定，通过仔细选择标记大小和 bin 大小（s 和 bins），您可以获得视觉上令人愉悦且不会太差的结果歪曲数据的条款。毕竟，这些 2D 直方图通常旨在作为基础数据的视觉辅助工具，而不是对其进行严格的定量表示。因此，我认为这种方法远远优于“传统的 2D 直方图”（例如，plt.hist2d 或plt.hexbin），而且我认为如果您找到此页面，您也不是传统（单色) 散点图。

如果我是科学之王，我会确保所有 2D 直方图在剩下的时间里永远做这样的事情。

Answer 4

@unutbu's answer 包含错误：xidx 和 yidx 的计算方式错误（至少在我的数据样本中）。正确的做法应该是：

xidx = np.clip(np.digitize(x, xedges) - 1, 0, hist.shape[0] - 1)
yidx = np.clip(np.digitize(y, yedges) - 1, 0, hist.shape[1] - 1)

因为我们感兴趣的np.digitize的返回维度在1和len(xedges) - 1之间，但是c = hist[xidx, yidx]需要0和hist.shape - 1之间的索引。

---

以下是结果对比。如您所见，您得到了相似但不同的结果。

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(211)
ax2 = fig.add_subplot(212)

n = 10000
x = np.random.standard_normal(n)
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n)
xedges, yedges = np.linspace(-4, 4, 42), np.linspace(-25, 25, 42)
hist, xedges, yedges = np.histogram2d(x, y, (xedges, yedges))

xidx = np.clip(np.digitize(x, xedges), 0, hist.shape[0] - 1)
yidx = np.clip(np.digitize(y, yedges), 0, hist.shape[1] - 1)
c = hist[xidx, yidx]
old = ax1.scatter(x, y, c=c, cmap='jet')

xidx = np.clip(np.digitize(x, xedges) - 1, 0, hist.shape[0] - 1)
yidx = np.clip(np.digitize(y, yedges) - 1, 0, hist.shape[1] - 1)

c = hist[xidx, yidx]
new = ax2.scatter(x, y, c=c, cmap='jet')


plt.show()