📊 10 Types d'Histogrammes dans Matplotlib (avec Exemples)
Les histogrammes sont l'un des outils les plus courants pour visualiser la distribution des données. Avec Python's matplotlib, vous pouvez personnaliser les histogrammes de nombreuses manières pour mieux comprendre vos données.
Dans cet article, nous explorerons 10 types différents d'histogrammes, à quoi ils servent, et comment créer chacun d'eux.
1. Histogramme de Base
📌 Utilisation :
Visualiser la distribution de fréquence d'un ensemble de données.
plt.hist(data)
plt.title("Histogramme de Base")
plt.xlabel("Valeur")
plt.ylabel("Fréquence")2. Histogramme avec Bins Personnalisés
📌 Utilisation :
Contrôler la résolution de l'histogramme en utilisant plus ou moins de bins.
plt.hist(data, bins=20)
plt.title("Histogramme avec Bins Personnalisés")3. Histogramme Coloré
📌 Utilisation :
Rendre votre histogramme plus facile à lire ou assorti à votre palette de couleurs.
plt.hist(data, color='skyblue', edgecolor='black')
plt.title("Histogramme Coloré")4. Histogramme Normalisé (Densité)
📌 Utilisation :
Afficher la densité de probabilité plutôt que la fréquence brute — idéal pour comparer des distributions.
plt.hist(data, density=True, color='lightgreen', edgecolor='black')
plt.title("Histogramme Normalisé (Densité)")5. Histogramme Cumulatif
📌 Utilisation :
Visualiser la somme cumulée des données — aide à comprendre comment les données s'accumulent au fil du temps ou de la valeur.
plt.hist(data, cumulative=True, color='orange', edgecolor='black')
plt.title("Histogramme Cumulatif")6. Histogramme avec Superposition KDE
📌 Utilisation :
Superposer une courbe de densité lisse pour estimer la forme de la distribution.
import seaborn as sns
sns.histplot(data, kde=True, color='mediumpurple', edgecolor='black')
plt.title("Histogramme avec Superposition KDE")7. Histogramme Empilé
📌 Utilisation :
Comparer plusieurs distributions côte à côte et voir comment elles contribuent aux totaux.
plt.hist([data1, data2], stacked=True, color=['steelblue', 'salmon'], edgecolor='black')
plt.title("Histogramme Empilé")
plt.legend(['Ensemble de Données 1', 'Ensemble de Données 2'])8. Histogramme en Style Step
📌 Utilisation :
Visualiser l'histogramme sous forme de contour (idéal pour comparer plusieurs ensembles de données sans encombrement).
plt.hist(data, histtype='step', color='darkgreen')
plt.title("Histogramme en Style Step")9. Histogramme Horizontal
📌 Utilisation :
Inverser les axes — utile lorsque les étiquettes sur l'axe y sont plus significatives ou lorsque l'espace est limité.
plt.hist(data, orientation='horizontal', color='plum', edgecolor='black')
plt.title("Histogramme Horizontal")10. Histogramme Pondéré
📌 Utilisation :
Appliquer des poids aux valeurs — utile lorsque les points de données ont des importances ou fréquences différentes.
weights = np.random.rand(len(data))
plt.hist(data, weights=weights, color='goldenrod', edgecolor='black')
plt.title("Histogramme Pondéré")🧠 Réflexions Finals
Les histogrammes sont plus que de simples barres — avec le bon style, vous pouvez les adapter pour transmettre des insights spécifiques dans vos données. Que ce soit pour une Analyse Exploratoire ou la préparation d'un rapport final, connaître ces variations vous donne une boîte à outils plus robuste pour raconter vos données.