Python读取Excel绘制直方图的方法_Python

以下将详细介绍如何使用 python 的 pyecharts、matplotlib 和 seaborn 三个库从 excel 中读取数据并绘制直方图（histogram）。直方图用于展示数据分布，核心是统计不同区间的频数或频率。每个库的代码示例均包含核心类、函数和属性的详细说明。

1. 使用 pyecharts 绘制直方图

pyecharts 是基于 echarts 的交互式可视化库，但需手动计算直方图的频数分布（因无内置直方图函数）。

代码示例：

import pandas as pd
import numpy as np
from pyecharts.charts import bar
from pyecharts import options as opts
# 读取excel数据
df = pd.read_excel("data.xlsx")
data = df["数值列"].tolist()  # 假设数据列名为"数值列"
# 计算直方图的区间和频数
counts, bins = np.histogram(data, bins=10)  # 分10个区间
x_labels = [f"{bins[i]:.1f}-{bins[i+1]:.1f}" for i in range(len(bins)-1)]
# 创建柱状图（模拟直方图）
bar = bar()
bar.add_xaxis(x_labels)
bar.add_yaxis("频数", counts.tolist())
# 配置全局选项
bar.set_global_opts(
    title_opts=opts.titleopts(title="数值分布直方图"),
    xaxis_opts=opts.axisopts(name="区间"),
    yaxis_opts=opts.axisopts(name="频数"),
    toolbox_opts=opts.toolboxopts()
)
# 渲染为html文件
bar.render("pyecharts_histogram.html")

核心类与函数：

bar(): 柱状图对象，用于模拟直方图。
np.histogram(): 计算直方图频数和区间（bins 指定区间数量）。
add_xaxis()/add_yaxis(): 添加 x/y 轴数据。
set_global_opts(): 配置标题、坐标轴名称等。

2. 使用 matplotlib 绘制直方图

matplotlib 是基础绘图库，内置 hist() 函数直接绘制直方图。

代码示例：

import pandas as pd
import matplotlib.pyplot as plt
# 读取excel数据
df = pd.read_excel("data.xlsx")
data = df["数值列"]
# 创建画布和坐标系
fig, ax = plt.subplots(figsize=(10, 6))
# 绘制直方图
ax.hist(
    data, 
    bins=10,              # 区间数量
    color="skyblue",      # 颜色
    edgecolor="black",    # 边框颜色
    alpha=0.7,            # 透明度
    density=false         # false显示频数，true显示频率
)
# 添加标题和标签
ax.set_title("数值分布直方图", fontsize=14)
ax.set_xlabel("数值范围", fontsize=12)
ax.set_ylabel("频数", fontsize=12)
ax.grid(axis="y", linestyle="--")  # 显示横向网格线
# 显示图表
plt.tight_layout()
plt.savefig("matplotlib_histogram.png")
plt.show()

核心函数与参数：

ax.hist(): 直方图绘制函数。
- bins: 区间数量或具体边界值（如 bins=[0, 10, 20]）。
- color/edgecolor: 填充色和边框颜色。
- alpha: 透明度（0-1）。
- density: 是否显示频率（归一化）。
ax.set_title()/ax.set_xlabel()/ax.set_ylabel(): 标题和坐标轴标签。

3. 使用 seaborn 绘制直方图

seaborn 基于 matplotlib，提供更简洁的语法和统计功能（如核密度估计）。

代码示例：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# 读取excel数据
df = pd.read_excel("data.xlsx")
data = df["数值列"]
# 设置主题
sns.set_theme(style="whitegrid", font="simhei")  # 中文需指定字体
# 创建直方图
plt.figure(figsize=(10, 6))
ax = sns.histplot(
    data,
    bins=10,                # 区间数量
    kde=true,               # 显示核密度曲线
    color="skyblue",        # 颜色
    edgecolor="black",      # 边框颜色
    stat="count"            # 统计类型（默认count，可选"density"）
)
# 添加标题和标签
ax.set_title("数值分布直方图（带核密度估计）", fontsize=14)
ax.set_xlabel("数值范围", fontsize=12)
ax.set_ylabel("频数", fontsize=12)
# 显示图表
plt.tight_layout()
plt.savefig("seaborn_histogram.png")
plt.show()

核心函数与参数：

sns.histplot(): 直方图绘制函数。
- kde: 是否显示核密度估计曲线（默认 false）。
- stat: 统计类型（"count" 频数，"density" 频率，"percent" 百分比）。
- bins/color/edgecolor: 同 matplotlib。
sns.set_theme(): 设置主题样式（如 whitegrid、darkgrid）。

对比总结

库	特点	适用场景
`pyecharts`	需手动计算频数，生成交互式图表	需要网页嵌入或动态交互
`matplotlib`	直接绘制，高度可定制	需要精细控制图表细节
`seaborn`	语法简洁，支持核密度估计	快速生成统计图表