在Python中使用numpy和scipy在matplotlib中制作分箱箱形图

Question

我有一个二维数组，里面包含了一对对的数值，我想根据不同的x值区间来制作y值的箱线图。也就是说，如果数组是：

my_array = array([[1, 40.5], [4.5, 60], ...]])

那么我想把my_array[:, 0]进行分组，然后对于每个分组，制作一个对应的my_array[:, 1]值的箱线图。最后，我希望这个图能包含多个箱线图，数量和分组数一样。

我试过以下方法：

min_x = min(my_array[:, 0])
max_x = max(my_array[:, 1])

num_bins = 3
bins = linspace(min_x, max_x, num_bins)
elts_to_bins = digitize(my_array[:, 0], bins)

但是，这样得到的elts_to_bins的值范围是从1到3。我本以为应该得到从0开始的索引，而且我只想要3个分组。我猜这可能是因为linspace和digitize在表示分组时有些复杂。

有什么简单的方法可以实现这个吗？我想要num_bins个等间距的分组，第一个分组包含数据的下半部分，最后一个分组包含上半部分……也就是说，我希望每个数据点都能落入某个分组，这样我才能制作箱线图。

谢谢。

Answer 1

你在找数组中最大值的第三个区间（我猜你这里有个笔误，max_x 应该是 "max(my_array[:,0])"，而不是 "max(my_array[:,1])"）。你可以通过在最后一个区间加1（或者任何正数）来避免这个问题。

另外，如果我理解得没错，你是想用一个变量来分组另一个变量，所以我下面的例子就是这样做的。如果你在使用 recarrays（这会慢很多），在 matplotlib.mlab 中也有几个函数可以做到这一点，比如 mlab.rec_groupby 等等。

总之，最后你可能会得到这样的结果（假设 x 和 y 的长度是一样的，用 y 的值来分组 x）

def bin_by(x, y, nbins=30):
    """
    Bin x by y.
    Returns the binned "x" values and the left edges of the bins
    """
    bins = np.linspace(y.min(), y.max(), nbins+1)
    # To avoid extra bin for the max value
    bins[-1] += 1 

    indicies = np.digitize(y, bins)

    output = []
    for i in xrange(1, len(bins)):
        output.append(x[indicies==i])

    # Just return the left edges of the bins
    bins = bins[:-1]

    return output, bins

这里有个简单的例子：

In [3]: x = np.random.random((100, 2))

In [4]: binned_values, bins = bin_by(x[:,0], x[:,1], 2)

In [5]: binned_values
Out[5]: 
[array([ 0.59649575,  0.07082605,  0.7191498 ,  0.4026375 ,  0.06611863,
        0.01473529,  0.45487203,  0.39942696,  0.02342408,  0.04669615,
        0.58294003,  0.59510434,  0.76255006,  0.76685052,  0.26108928,
        0.7640156 ,  0.01771553,  0.38212975,  0.74417014,  0.38217517,
        0.73909022,  0.21068663,  0.9103707 ,  0.83556636,  0.34277006,
        0.38007865,  0.18697416,  0.64370535,  0.68292336,  0.26142583,
        0.50457354,  0.63071319,  0.87525221,  0.86509534,  0.96382375,
        0.57556343,  0.55860405,  0.36392931,  0.93638048,  0.66889756,
        0.46140831,  0.01675165,  0.15401495,  0.10813141,  0.03876953,
        0.65967335,  0.86803192,  0.94835281,  0.44950182]),
 array([ 0.9249993 ,  0.02682873,  0.89439141,  0.26415792,  0.42771144,
        0.12292614,  0.44790357,  0.64692616,  0.14871052,  0.55611472,
        0.72340179,  0.55335053,  0.07967047,  0.95725514,  0.49737279,
        0.99213794,  0.7604765 ,  0.56719713,  0.77828727,  0.77046566,
        0.15060196,  0.39199123,  0.78904624,  0.59974575,  0.6965413 ,
        0.52664095,  0.28629324,  0.21838664,  0.47305751,  0.3544522 ,
        0.57704906,  0.1023201 ,  0.76861237,  0.88862359,  0.29310836,
        0.22079126,  0.84966201,  0.9376939 ,  0.95449215,  0.10856864,
        0.86655289,  0.57835533,  0.32831162,  0.1673871 ,  0.55742108,
        0.02436965,  0.45261232,  0.31552715,  0.56666458,  0.24757898,
        0.8674747 ])]

希望这能帮到你一点！

Answer 2

Numpy 有一个专门的函数，可以帮你按照需要创建直方图：

histogram(a, bins=10, range=None, normed=False, weights=None, new=None)

你可以这样使用它：

(hist_data, bin_edges) = histogram(my_array[:,0], weights=my_array[:,1])

这里的关键是使用 weights 参数：每个值 a[i] 会对直方图贡献 weights[i] 的值。举个例子：

a = [0, 1]
weights = [10, 2]

这表示在 x = 0 的地方有 10 个点，而在 x = 1 的地方有 2 个点。

你可以通过 bins 参数来设置箱子的数量或箱子的范围（想了解更多，可以查看官方文档）。

然后，你可以用类似下面的方式来绘制直方图：

bar(bin_edges[:-1], hist_data)

如果你只需要绘制一个直方图，类似的hist() 函数可以直接绘制直方图：

hist(my_array[:,0], weights=my_array[:,1])