Version 3.1.1
Matplotlib is hiring a Research Software Engineering Fellow! See discourse for details. Apply by January 3, 2020
这说明了如何绘制一个累积的、标准化的直方图作为一个阶跃函数，以便可视化一个样本的经验累积分布函数（CDF）。我们还展示了理论CDF。
其他一些选择 hist 功能已演示。也就是说，我们使用 normed 用于规范化柱状图的参数和 cumulative normed 参数采用布尔值。什么时候？ True ，对垃圾箱高度进行缩放，使柱状图的总面积为1。这个 cumulative Kwarg更微妙了。喜欢 normed ，您可以传递它true或false，但也可以传递它-1来反转分布。
因为我们显示的是一个标准化和累积直方图，所以这些曲线实际上是样本的累积分布函数（CDF）。在工程中，经验CDF有时被称为“非超越”曲线。换句话说，您可以查看给定x值的y值，以获得不超过x值的样本的概率和观察值。例如，X轴上的225值对应于Y轴上的约0.85，因此样本中的观测值不超过225的概率为85%。相反，设置， cumulative 在本例的最后一个系列中，为-1创建一条“超越”曲线。
选择不同的仓位计数和大小会显著影响直方图的形状。Astropy文档有一个关于如何选择这些参数的重要部分：http://docs.astropy.org/en/stable/visualization/histogram.html
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
mu = 200
sigma = 25
n_bins = 50
x = np.random.normal(mu, sigma, size=100)
fig, ax = plt.subplots(figsize=(8, 4))
# plot the cumulative histogram
n, bins, patches = ax.hist(x, n_bins, density=True, histtype='step',
cumulative=True, label='Empirical')
# Add a line showing the expected distribution.
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
np.exp(-0.5 * (1 / sigma * (bins - mu))**2))
y = y.cumsum()
y /= y[-1]
ax.plot(bins, y, 'k--', linewidth=1.5, label='Theoretical')
# Overlay a reversed cumulative histogram.
ax.hist(x, bins=bins, density=True, histtype='step', cumulative=-1,
label='Reversed emp.')
# tidy up the figure
ax.grid(True)
ax.legend(loc='right')
ax.set_title('Cumulative step histograms')
ax.set_xlabel('Annual rainfall (mm)')
ax.set_ylabel('Likelihood of occurrence')
plt.show()