我想用散点图上方和右侧的直方图制作漂亮的散点图，因为在 seaborn 中可以使用联合图：
我正在寻找有关如何实现这一目标的建议。实际上我在安装 pandas 时遇到了一些麻烦，而且我不需要整个 seaborn 模块
【问题讨论】：
sns.jointplot？
matplotlib.gridspec.GridSpec，特别是底部的示例。没有gridspec，你可以关注这个clear example
标签： python matplotlib
我今天遇到了同样的问题。此外，我想要一个 CDF 用于边缘。
代码：
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np
x = np.random.beta(2,5,size=int(1e4))
y = np.random.randn(int(1e4))
fig = plt.figure(figsize=(8,8))
gs = gridspec.GridSpec(3, 3)
ax_main = plt.subplot(gs[1:3, :2])
ax_xDist = plt.subplot(gs[0, :2],sharex=ax_main)
ax_yDist = plt.subplot(gs[1:3, 2],sharey=ax_main)
ax_main.scatter(x,y,marker='.')
ax_main.set(xlabel="x data", ylabel="y data")
ax_xDist.hist(x,bins=100,align='mid')
ax_xDist.set(ylabel='count')
ax_xCumDist = ax_xDist.twinx()
ax_xCumDist.hist(x,bins=100,cumulative=True,histtype='step',density=True,color='r',align='mid')
ax_xCumDist.tick_params('y', colors='r')
ax_xCumDist.set_ylabel('cumulative',color='r')
ax_yDist.hist(y,bins=100,orientation='horizontal',align='mid')
ax_yDist.set(xlabel='count')
ax_yCumDist = ax_yDist.twiny()
ax_yCumDist.hist(y,bins=100,cumulative=True,histtype='step',density=True,color='r',align='mid',orientation='horizontal')
ax_yCumDist.tick_params('x', colors='r')
ax_yCumDist.set_xlabel('cumulative',color='r')
plt.show()
希望它有助于下一个人搜索具有边缘分布的散点图。
【讨论】：
AttributeError: 'Polygon' object has no property 'normed'。请更正您的解决方案或告诉我我做错了什么。
density=True替换normed=True。
下面是一个使用gridspec.GridSpec的示例：
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
import numpy as np
x = np.random.rand(50)
y = np.random.rand(50)
fig = plt.figure()
gs = GridSpec(4,4)
ax_joint = fig.add_subplot(gs[1:4,0:3])
ax_marg_x = fig.add_subplot(gs[0,0:3])
ax_marg_y = fig.add_subplot(gs[1:4,3])
ax_joint.scatter(x,y)
ax_marg_x.hist(x)
ax_marg_y.hist(y,orientation="horizontal")
# Turn off tick labels on marginals
plt.setp(ax_marg_x.get_xticklabels(), visible=False)
plt.setp(ax_marg_y.get_yticklabels(), visible=False)
# Set labels on joint
ax_joint.set_xlabel('Joint x label')
ax_joint.set_ylabel('Joint y label')
# Set labels on marginals
ax_marg_y.set_xlabel('Marginal x label')
ax_marg_x.set_ylabel('Marginal y label')
plt.show()
【讨论】：
我强烈建议通过将这 3 行代码添加到 current best answer 之前的 plt.show() 来翻转正确的直方图：
ax_yDist.invert_xaxis()
ax_yDist.yaxis.tick_right()
ax_yCumDist.invert_xaxis()
优点是任何人只要在脑海中移动和顺时针旋转正确的直方图，就可以轻松地比较这两个直方图。
相比之下，在问题的情节和所有其他答案中，如果您想比较两个直方图，您的第一反应是逆时针旋转右直方图，这会导致错误的结论，因为 y 轴倒置了。事实上，current best answer 的右 CDF 乍一看似乎在减少：
【讨论】：