绘制频率分布直方图的三种方法，总结的很用心！

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import datetime
import time
df=pd.read_excel(r"szdata.xls")
df.head(5)

##注意原始数据集不能存在缺失值,绘制前必须对缺失数据删除或替换,否则无法绘制成功.
##检查年龄是否有缺失
any(df.年龄.isnull()) #False
##删除含有缺失年龄的数据
df.dropna(subset=["年龄"],inplace=True)
##绘制直方图
plt.rcParams["font.sans-serif"]='SimHei'
plt.rcParams['axes.unicode_minus']=False
%config InlineBackend.figure_format='svg'

plt.hist(x=df.年龄,bins=20,
        color="steelblue",
        edgecolor="black")

#添加x轴和y轴标签
plt.xlabel("年龄")
plt.ylabel("病例数")

#添加标题
plt.title("患者年龄分布")

#显示图形
plt.show()

#注意直方图上添加核密度图,必须将直方图频数更改为频率,即normed参数设置成True
#直方图
df.年龄.plot(kind="hist",bins=20,color="steelblue",edgecolor="black",normed=True,label="直方图")

#加核密度图
df.年龄.plot(kind="kde",color="red",label="核密度图")

#添加x轴和y轴标签
plt.xlabel("年龄")
plt.ylabel("核密度值")

#添加标题
plt.title("患者年龄分布")

#显示图例
plt.legend()

#显示图形
plt.show()

# pandas.cut() 也同样是一个方便的方法，用来将数据进行强制的分箱
# 将一系列数值分成若干份
#cut()方法，参数bin指明切分区间，左开右闭区间。
import numpy as np
from pandas import Series,DataFrame
ages=list(df.年龄)
bins=[0,29,39,49,50,np.inf]  #范围
labels=["少年","青年组","中青年组","中年组","中老年组"]
groups=pd.cut(ages,bins=bins,labels=labels)
data=groups.value_counts()
#qcut()方法,不需要事先指明切分区间，只需要指明切分个数。
# pd.qcut(ages,6).value_counts()
df1=DataFrame(data,columns=["病例数"])

plt.subplot(1,1,1)
x=labels
y=df1["病例数"].values
plt.bar(x,y,width=0.5,align="center")
plt.title("深圳市患者按年龄分组",loc="center")
for a,b in zip(x,y):   
     plt.text(a,b,b,ha="center",va="bottom",fontsize=12)#添加数据标签
plt.ylim(0,140)
plt.xlabel('分组',labelpad=10)
plt.ylabel('病例数')
plt.savefig(r"bar.jpg")

# 条形图
# 将柱形图x轴和y轴调换，barh方法
# plt.barh(y,width,height,align,color,edgecolor)

# 上面表达了所有患者的年龄分布，如果按性别分组，
# 研究不同性别下年龄分布的差异，该如何实现叻？针对这个问题，推荐使用Seaborn模块中的distplot函数
#取出男性年龄
Age_Male=df.年龄[df.性别=="男性"]
#取出女性年龄
Age_Female=df.年龄[df.性别=="女性"]

#绘制男女患者年龄的直方图
sns.distplot(Age_Male,bins=20,kde=False,hist_kws={"color":"steelblue"},label="男性")

#绘制男女患者年龄的直方图
sns.distplot(Age_Female,bins=20,kde=False,hist_kws={"color":"purple"},label="女性")
#添加标题
plt.title("不同性别患者年龄分布直方图")

#显示图例
plt.legend()

#显示图形
plt.show()

#绘制核密度函图
#绘制男女患者年龄的直方图
sns.distplot(Age_Male,hist=False,kde_kws={"color":"red","linestyle":"-"},norm_hist=True,label="男性")

#绘制男女患者年龄的直方图
sns.distplot(Age_Female,hist=False,kde_kws={"color":"blue","linestyle":"--"},norm_hist=True,label="女性")
#添加标题
plt.title("不同性别患者年龄核密度图")

#显示图例
plt.legend()

#显示图形
plt.show()

#生成直方图
# count_elements() 返回了一个字典，字典里的键值对：所有数值出现的频率次数。
# hist[i] = hist.get(i, 0) + 1 实现了每个数值次数的累积
a = tuple(df.年龄)
def count_elements(seq) -> dict:
    hist = {}
    for i in seq:
        hist[i] = hist.get(i, 0) + 1
    return hist
counted = count_elements(a)
counted
#或通过collection.Counter类库实现
# from collections import Counter
# counted = Counter(a)
# counted

#利用输出格式format来实现直方图的展示
def histogram(seq) -> None:
    counted = count_elements(seq)
    for k in sorted(counted):
        print('{0:5d} {1}'.format(k, '@' * counted[k]))
histogram(a)