Python: creazione di un istogramma 2D da una matrice numpy

Question

Sono nuovo in Python.

Ho una matrice numpy, di dimensioni 42x42, con valori nell'intervallo 0-996. Voglio creare un istogramma 2D usando questi dati. Ho esaminato i tutorial, ma sembrano tutti mostrare come creare istogrammi 2D da dati casuali e non da una matrice numpy.

Finora, Ho importato:

import numpy as np 
import matplotlib.pyplot as plt 
from matplotlib import colors 

non sono sicuro se queste sono le importazioni corrette, sto solo cercando di raccogliere quello che posso da tutorial che vedo.

Ho la matrice numpy M con tutti i valori in essa contenuti (come descritto sopra). Alla fine, voglio farlo sembrare qualcosa di simile:

ovviamente, i miei dati sarà diversa, quindi il mio trama dovrebbe avere un aspetto diverso. Qualcuno può darmi una mano?

Edit: Per i miei scopi, Hooked esempio s' al di sotto, utilizzando matshow, è esattamente quello che sto cercando.

Answer 1

Se si dispone dei dati grezzi dai Conti, è possibile utilizzare plt.hexbin per creare le trame per voi (IMHO questo è meglio di un reticolo quadrato): Adattato da l'esempio di hexbin:

import numpy as np 
import matplotlib.pyplot as plt 

n = 100000 
x = np.random.standard_normal(n) 
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n) 
plt.hexbin(x,y) 

plt.show() 

Se hai già i valori z in una matrice come si parla, basta usare plt.imshow o plt.matshow:

XB = np.linspace(-1,1,20) 
YB = np.linspace(-1,1,20) 
X,Y = np.meshgrid(XB,YB) 
Z = np.exp(-(X**2+Y**2)) 
plt.imshow(Z,interpolation='none') 

Answer 2

Se si dispone non solo la matrice istogramma 2D ma anche il sottostante dati (x, y), allora si potrebbe fare una rappresentazione della dispersione dei (x, y) punti e colorare ciascun punto in base al suo valore di conteggio in bin nella matrice 2D-istogramma :

import numpy as np 
import matplotlib.pyplot as plt 

n = 10000 
x = np.random.standard_normal(n) 
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n) 
xedges, yedges = np.linspace(-4, 4, 42), np.linspace(-25, 25, 42) 
hist, xedges, yedges = np.histogram2d(x, y, (xedges, yedges)) 
xidx = np.clip(np.digitize(x, xedges), 0, hist.shape[0]-1) 
yidx = np.clip(np.digitize(y, yedges), 0, hist.shape[1]-1) 
c = hist[xidx, yidx] 
plt.scatter(x, y, c=c) 

plt.show() 

---

Answer 3

@unutbu's answer contiene un errore: 012.336.789,284 milae yidx sono calcolati nel modo sbagliato (almeno sul mio campione di dati). Il modo corretto dovrebbe essere:

xidx = np.clip(np.digitize(x, xedges) - 1, 0, hist.shape[0] - 1) 
yidx = np.clip(np.digitize(y, yedges) - 1, 0, hist.shape[1] - 1) 

Poiché la dimensione ritorno di np.digitize che ci interessa è tra 1 e len(xedges) - 1, ma le esigenze indici c = hist[xidx, yidx] tra 0 e hist.shape - 1.

---

Di seguito è riportato il confronto dei risultati. Come puoi vedere ottieni risultati simili ma non uguali.

import numpy as np 
import matplotlib.pyplot as plt 

fig = plt.figure() 
ax1 = fig.add_subplot(211) 
ax2 = fig.add_subplot(212) 

n = 10000 
x = np.random.standard_normal(n) 
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n) 
xedges, yedges = np.linspace(-4, 4, 42), np.linspace(-25, 25, 42) 
hist, xedges, yedges = np.histogram2d(x, y, (xedges, yedges)) 

xidx = np.clip(np.digitize(x, xedges), 0, hist.shape[0] - 1) 
yidx = np.clip(np.digitize(y, yedges), 0, hist.shape[1] - 1) 
c = hist[xidx, yidx] 
old = ax1.scatter(x, y, c=c, cmap='jet') 

xidx = np.clip(np.digitize(x, xedges) - 1, 0, hist.shape[0] - 1) 
yidx = np.clip(np.digitize(y, yedges) - 1, 0, hist.shape[1] - 1) 

c = hist[xidx, yidx] 
new = ax2.scatter(x, y, c=c, cmap='jet') 


plt.show()