matplotlib.pyplot.hist（x，bins = None，range = None，density = None，weights = None，cumulative = False，bottom = None，hist type =‘bar’，align =‘mid’，orientation =‘vertical’，rwidth = None，log = False，color = None，label = None，stacked = False，normed = None，*，data = None，** kwargs ）
可以看到参数非常多，简单的介绍几个：
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： int，默认是10，就是把数据分多少份的意思。
sequence， 可以给出bins的边缘如：[1, 2, 3, 4]，分成的区间就是[1, 2)[2, 3)[3, 4]。

hist type ： {‘bar’，‘barstacked’，‘step’，‘stepfilled’}，可选，改变绘图样式。

rwidth：柱状图，每一个柱子的相对宽度

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import Series, DataFrame
np.random.seed(666)
s = Series(np.random.randn(1000)) # 1000 个数据的分布
s.hist( rwidth = 0.9, bins = 5, histtype = 'stepfilled')
plt.show() # 见 图1
re = plt.hist(s, rwidth = 0.9, kind = 'kde')
re 是一个元组
re[0] <class 'numpy.ndarray'> 出现的频率
[  6.  20.  81. 185. 265. 214. 151.  63.  10.   5.]
re[1] <class 'numpy.ndarray'>  出现的间隔
[-3.19551031 -2.5366076  -1.87770489 -1.21880218 -0.55989947  0.09900323
  0.75790594  1.41680865  2.07571136  2.73461407  3.39351678]
re[2] <a list of 10 Patch objects>  
plt.show() # 见 图2
第一个数值的频率是6，介于 -3.19551031 和 -2.5366076 之间
参数设置：
bins 默认 10， 分多少份
color 选择颜色
orientation 默认垂直，可以选择水平
注意：将kind='kde',画出来的就是一个密度图,如：
s.plot(kind='kde') 就是一个密度图
在之前提到对series画图中，可以使用 s.plot()，需要注意的是，将kind=‘kde’,画出来的就是一个密度图,如：
 s.plot(kind=‘kde’) 就是一个密度图
 
图1：
 
 图2：
 
                                    直方图是用于展示数据的分组分布状态的一种图形，用矩形的宽度和高度表示频数分布，通过直方图，用户可以很直观的看出数据分布的形状、中心位置以及数据的离散程度等。
在python中一般采用matplotlib库的hist来绘制直方图，至于如何给直方图添加拟合曲线（密度函数曲线），一般来说有以下两种方法。
方法一：采用matplotlib中的mlab模块
mlab模块是Python中强大的3D作图工具，立体感效果极佳。在这里使用mlab可以跳出直方图二维平面图形的限制，在此基础上再添加一条曲线。在这里，我们以鸢尾花iris中的数据为例，来举例说明。
import numpy as np
%matplotlib inline
#plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, 
#histtype='bar', align='mid', orientation='vertical',rwidth=Non
                                    项目中在前期经常要看下数据的分布情况，这对于探究数据规律非常有用。概率分布表示样本数据的模样，长的好不好看如果有图像展示出来就非常完美了，使用Python绘制频率分布直方图非常简洁，因为用的频次非常高，这里记录下来。还是Python大法好，代码简洁不拖沓~
如果数据取值的范围跨度不大，可以使用等宽区间来展示直方图，这也是最常见的一种；如果数据取值范围比较野，也可以自定义区间端点，绘制图像，下面分两种情况展示
1. 区间长度相同绘制直方图
#-*- encoding=utf-8 -*-
import datetime
import numpy as np
import matplotlib.p
                                    Matplotlib 库进行数据可视化的教程，该教程包含了实际代码实现以及相关介绍，方便读者更加深入地理解 Matplotlib 库的使用。
Matplotlib 是 Python 中最流行的数据可视化库之一，它可以用于创建各种类型的图表，包括线图、散点图、柱状图、饼图、等高线图和热力图等。这些图表可以用于数据分析、数据挖掘和机器学习等领域。
这本教程从基础入手，介绍了如何使用 Matplotlib 库创建简单的图表，然后逐步深入到更高级的图表类型和细节。读者可以学习如何控制坐标轴、标签、标题和颜色等方面的属性，以及如何添加图例、网格线和文本注释等。
除了基本的图表类型，该教程还介绍了如何创建子图、堆叠图、直方图和密度图等。读者可以学习如何在一个图表中绘制多个数据集，以及如何对数据进行分组和聚合以进行更深入的分析。
该教程还包括如何使用 Matplotlib 库与其他 Python 库进行数据分析和可视化，包括 NumPy、Pandas 和 Seaborn 等。读者可以学习如何导入数据集并进行数据清洗和预处理，然后使用 Matplotlib 库创建图表以可视化数据集。
s = Series(np.random.randn(1000))
# 生成了两个array和一个图形对象，第一个array是在区间数的数量，第二个是区间范围
# hist画直方...
                                    函数功能：判定数据(或特征)的分布情况
	调用方法：plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)
	参数说明：
	x：指定要绘制直方图的数据；
                                    翻译成中文是什么意思呢？就是说，我们的每一个“柱子”的高度是从y轴的哪一个值开始往上长。还不明白？没关系，还是以班级男女为例：bar1 = plt . bar([ 1 , 2 , 3 ] , [ 4 , 5 , 6 ] , label = '男生') bar2 = plt . bar([ 1 , 2 , 3 ] , [ 1 , 2 , 3 ] , color = 'g' , bottom = [ 4 , 5 , 6 ] , label = '女生')
                                    Matplotlib 是 Python 的绘图库，它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。
Matplotlib 可以用来绘制各种静态，动态，交互式的图表。
Matplotlib 是一个非常强大的 Python 画图工具，我们可以使用该工具将很多数据通过图表的形式更直观的呈现出来。
Matplotlib 可以绘制线图、散点图、等高线图、条形图、柱状图、3D 图形、甚至是图形动画等等语法格式
参数说明：
设置垂直方向的柱形图
设置柱形图颜色
自定义各个柱形的颜色：
Matplo