直方图(Histogram)又称质量分布图。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。
直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。 为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。
直方图是调用的matplotlib.pyplot.hist模块
matplotlib.pyplot.hist的参数：
matplotlib.pyplot.hist（x，bins = None，range = None，density = None，weights = None，cumulative = False，bottom = None， histtype =’bar’，align =’mid’，orientation =’vertical’，rwidth = None，log = False，color = None，label = None， stacked = False，normed = None，hold = None，data = None，** kwargs ）
hist的参数详解
x ： （n，）数组或序列（n，）数组
输入值，这需要单个数组或不需要具有相同长度的数组序列
bins ： 整数或序列或’auto’可选,默认是没有
如果一个整数,bins +1,则计算并返回bin边缘，与之一致numpy.histogram()
range : 元组或没有可选的,默认是没有
箱子的上下范围。上下异常值将被忽略。如果没有提供,范围是(x.min(),x.max())。如果箱子是一个序列没有影响范围 如果指定箱是一个序列或范围,自动定量是基于指定本范围而不是x的范围。
density :可选布尔类型
如果这是真的,返回第一个元素的元组将计数归一化形成一个概率密度,即。,面积(或积分)根据直方图将之和为1。这是通过将整个计算 观测的数量乘以本宽度,而不是除以总数量的观察。如果堆也是真的,直方图之和是标准化为1。 默认是没有赋范和密度。如果设置,那么将使用这个值。如果没有设置,那么参数将被视为错误的
weights：可选择相同的数据或者没有
数组的重量、形状相同的x。每个值x只贡献相关重量对箱数(而不是1)。如果赋范或密度是真的,权重归一化,这样的积分密度范围是1。
cumulative:可选布尔类型
如果True，则计算直方图，其中每个bin给出该bin中的计数加上较小值的所有bin。最后一个bin给出了数据点的总数。如果赋范或密度 也True然后直方图归一化，使得最后仓等于1。如果累计计算结果为小于0（例如，-1），累积的方向被反转。在这种情况下，如果赋范 和/或密度也是True，则直方图归一化，使得第一仓等于1。 默认是 False
bottom:相同数组，标量或者没有
每个仓的底部基线的位置。如果是标量，则每个bin的基线移动相同的量。如果是一个数组，每个bin都是独立移动的，底部的长度必须 与bin的数量相匹配。如果为None，则默认为0。默认是 None
histtype ： {‘bar’，’barstacked’，’step’，’stepfilled’}，可选
要绘制的直方图的类型 ‘bar’是传统的条形直方图。如果给出多个数据，则条并排排列。 ‘barstacked’是一种条形直方图，其中多个数据堆叠在一起。 ‘step’生成一个默认未填充的线图。 ‘stepfilled’生成一个默认填充的线图。 默认为’bar’
align ： {‘left’，’mid’，’right’}，可选
控制直方图的绘制方式。 ‘left’：条形图位于左边框边缘的中心。 ‘mid’：条在bin边缘之间居中。 ‘right’：条形图位于右侧边框的中心。 默认为’mid’
orientation ： {‘horizontal’，’vertical’}，可选
如果是’horizontal’，barh将用于条形直方图，底部 kwarg将用于左边缘
log ： 布尔值，可选
如果True，直方图轴将设置为对数刻度。如果 log是True且x是1D数组，则将过滤掉空箱，并且仅 返回非空。(n, bins, patches). 默认是 False
color :颜色
颜色规格或颜色规格序列，每个数据集一个。Default（None）使用标准线颜色序列.默认是 None
实例：
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()效果图：
