📊 10 Arten von Histogrammen in Matplotlib (mit Beispielen)
Histogramme gehören zu den gebräuchlichsten Werkzeugen zur Visualisierung von Datenverteilungen. Mit Python's matplotlib können Sie Histogramme auf vielfältige Weise anpassen, um Ihre Daten besser zu verstehen.
In diesem Beitrag erkunden wir 10 verschiedene Arten von Histogrammen, wofür sie verwendet werden und wie man sie jeweils erstellt.
1. Grundlegendes Histogramm
📌 Verwendung:
Visualisierung der Häufigkeitsverteilung eines Datensatzes.
plt.hist(data)
plt.title("Grundlegendes Histogramm")
plt.xlabel("Wert")
plt.ylabel("Häufigkeit")2. Histogramm mit benutzerdefinierten Bins
📌 Verwendung:
Steuerung der Auflösung des Histogramms durch mehr oder weniger Bins.
plt.hist(data, bins=20)
plt.title("Histogramm mit benutzerdefinierten Bins")3. Farblich gestaltetes Histogramm
📌 Verwendung:
Erleichtert das Lesen oder passt die Farbpalette an.
plt.hist(data, color='skyblue', edgecolor='black')
plt.title("Farblich gestaltetes Histogramm")4. Normiertes Histogramm (Dichte)
📌 Verwendung:
Zeigt die Wahrscheinlichkeitdichte anstelle der rohen Häufigkeit — ideal zum Vergleich von Verteilungen.
plt.hist(data, density=True, color='lightgreen', edgecolor='black')
plt.title("Normiertes Histogramm (Dichte)")5. Kumulative Histogramm
📌 Verwendung:
Visualisierung der kumulativen Summe der Daten — hilft zu verstehen, wie Daten im Laufe der Zeit oder Werte kumulieren.
plt.hist(data, cumulative=True, color='orange', edgecolor='black')
plt.title("Kumulatives Histogramm")6. Histogramm mit KDE-Overlay
📌 Verwendung:
Overlay eines glatten Dichtekurve zur Schätzung der Verteilungsform.
import seaborn as sns
sns.histplot(data, kde=True, color='mediumpurple', edgecolor='black')
plt.title("Histogramm mit KDE-Overlay")7. Stapel-Histogramm
📌 Verwendung:
Vergleich mehrerer Verteilungen nebeneinander und deren Beitrag zu den Gesamtwerten.
plt.hist([data1, data2], stacked=True, color=['steelblue', 'salmon'], edgecolor='black')
plt.title("Stapel-Histogramm")
plt.legend(['Datensatz 1', 'Datensatz 2'])8. Histogramm im Step-Stil
📌 Verwendung:
Darstellung als Umrisslinie — gut geeignet, wenn man mehrere Datensätze ohne Überlappung vergleichen möchte.
plt.hist(data, histtype='step', color='darkgreen')
plt.title("Step-Stil Histogramm")9. Horizontales Histogramm
📌 Verwendung:
Umkehrung der Achsen — nützlich, wenn die Labels auf der y-Achse bedeutungsvoller sind oder Platz knapp ist.
plt.hist(data, orientation='horizontal', color='plum', edgecolor='black')
plt.title("Horizontal Histogramm")10. Weighted Histogramm
📌 Verwendung:
Gewichtungen der Werte — hilfreich, wenn Datenpunkte unterschiedliche Wichtigkeit oder Häufigkeiten haben.
weights = np.random.rand(len(data))
plt.hist(data, weights=weights, color='goldenrod', edgecolor='black')
plt.title("Gewichtetes Histogramm")🧠 Abschließende Gedanken
Histogramme sind mehr als nur einfache Balkendiagramme — mit dem richtigen Stil können sie spezifische Einblicke in Ihre Daten vermitteln. Ob bei der explorativen Datenanalyse (EDA) oder bei der Vorbereitung eines Abschlussberichts, diese Variationen stärken Ihre Daten-Storytelling-Tools.