KNOWECON WIKI

ARTICLE

histogram

直方图 (Histogram) 直方图 (Histogram) 是一种用于展示数值型数据分布情况的统计图形。它将数据的取值范围划分为若干个连续的区间（称为 组 或 箱子，Bins），并以每个区间内数据点的个数（频数）或所占比例（频率）为高度绘制一系列相邻的矩形条。直方图是探索性数据分析 (Exploratory Data Analysis, EDA) 中最基

浏览 0 更新 2025-12-23

直方图 (Histogram)

直方图 (Histogram) 是一种用于展示数值型数据分布情况的统计图形。它将数据的取值范围划分为若干个连续的区间（称为 组 或 箱子，Bins），并以每个区间内数据点的个数（频数）或所占比例（频率）为高度绘制一系列相邻的矩形条。直方图是探索性数据分析 (Exploratory Data Analysis, EDA) 中最基础、最常用的工具之一，能够直观地揭示数据的集中趋势、离散程度、偏态形状以及是否存在异常值或多峰分布等特征。

直方图的构建方法

绘制一幅直方图需要确定两个关键要素：分组边界 (Bin Boundaries) 和 纵轴刻度 (Vertical Scale)。

确定组数与组距

设样本数据为 x1,x2,…,xnx_1, x_2, \ldots, x_n，其最小值为 x(1)x_{(1)}，最大值为 x(n)x_{(n)}。将数据的取值范围 [x(1),x(n)][x_{(1)}, x_{(n)}] 划分为 kk 个连续的、互不相交的子区间（组）。每个区间的宽度称为 组距 (Bin Width)，记为 hh。组数 kk 与组距 hh 的选择直接影响直方图的信息呈现效果：组数过少会掩盖数据分布的细节，组数过多则会引入过多噪声。常用的经验规则包括：

  • Sturges 规则：k=⌈log⁡2n+1⌉k = \lceil \log_2 n + 1 \rceil。该规则假设数据近似服从正态分布，在样本量适中时效果较好。
  • Freedman-Diaconis 规则：h=2⋅IQRn3h = 2 \cdot \frac{\text{IQR}}{\sqrt[3]{n}}，其中 IQR 为数据的四分位距。该方法对异常值具有稳健性，适用于非正态分布数据。
  • Scott 规则：h=3.49⋅σ^/n3h = 3.49 \cdot \hat{\sigma} / \sqrt[3]{n}，其中 σ^\hat{\sigma} 为样本标准差。该规则以最小化均方积分误差 (MISE) 为目标。

在实际应用中，可尝试多种分组方案并选择最能揭示数据结构特征的直方图。

频数直方图与频率直方图

直方图的纵轴可以表示不同的统计量：

  1. 频数直方图 (Frequency Histogram)：纵轴表示每个区间内数据点的个数 fjf_j。第 jj 个矩形的面积为 fjf_j，所有矩形的面积之和等于样本总量 nn。
  2. 频率直方图 (Relative Frequency Histogram)：纵轴表示每个区间内数据点的比例 fj/nf_j / n。所有矩形的面积之和等于 1。
  3. 密度直方图 (Density Histogram)：纵轴表示概率密度的估计值，即 fj/(n⋅h)f_j / (n \cdot h)。此时所有矩形的面积之和等于 1，且密度直方图可作为总体概率密度函数 (PDF) 的非参数估计——即直方图估计。

直方图的解读要点

形状 (Shape)

直方图的整体形态可以揭示数据分布的特征：

  • 对称分布 (Symmetric)：直方图左右大致对称，常见于正态分布或t分布。
  • 左偏分布 (Left-skewed / Negatively Skewed)：左侧尾部较长，均值小于中位数，常见于收入分配等右有上界的数据。
  • 右偏分布 (Right-skewed / Positively Skewed)：右侧尾部较长，均值大于中位数，常见于房价、股票收益率等有下界的数据。
  • 单峰 (Unimodal) 与 多峰 (Multimodal)：一个明显的峰值表明数据集中在一个中心区域；多个峰值则暗示数据可能来自不同的子群体，需要进一步分层分析。
  • 厚尾 (Heavy Tails)：直方图两端尾部较厚，表明极端值出现概率高于正态分布。

中心位置 (Center) 与散布 (Spread)

直方图可以直观地定位数据的中心（如均值或中位数的大致位置）以及数据的离散程度（如极差和方差的大小）。

异常值 (Outliers)

如果直方图中出现孤立于主体数据分布之外的矩形条，这可能指示数据中存在异常值，需要排查数据采集、记录或编码过程中的错误。

直方图与相关图形的比较

直方图与条形图

初学者常混淆直方图与条形图 (Bar Chart)。两者的本质区别在于：

  • 数据类型：条形图适用于分类数据 (Categorical Data) 或定序数据 (Ordinal Data)，各条形之间有空隙；直方图适用于数值型数据 (Numerical Data)，各矩形之间紧密相连，不留空隙。
  • 坐标轴含义：条形图的横轴表示类别，纵轴表示计数或比例，类别顺序可以任意调换；直方图的横轴表示数值变量的取值范围，具有天然的数学顺序。
  • 面积意义：直方图中矩形面积具有统计意义（代表频数或密度），而条形图中仅高度有意义。

直方图与核密度估计图

核密度估计 (Kernel Density Estimation, KDE) 可以看作直方图的平滑版本。KDE 使用连续的核函数（如高斯核）对数据进行平滑，避免了直方图因组边界选择而导致的"跳跃感"。但 KDE 同样需要选择带宽 (Bandwidth) 参数，其作用类似于直方图的组距。

直方图与茎叶图

茎叶图 (Stem-and-Leaf Display) 可以视为一种保留原始数据精度的"文本版直方图"。它在展示分布形状的同时保留了每个观测值的数值，适合小样本数据的展示；而直方图更适合大样本数据的可视化。

直方图的局限性

  • 对分组参数敏感：不同的组距或起始点可能导致截然不同的视觉印象，产生误导性的解读。这是直方图最广为人知的缺陷。
  • 不适合高维数据：直方图仅能展示单个变量的分布。对于多个变量的联合分布，需要借助散点图矩阵 (Scatter Plot Matrix) 或二维直方图 (2D Histogram / Heatmap)。
  • 小样本表现不佳：当样本量较小时，直方图的形状对个别数据点非常敏感，难以可靠地反映总体分布特征。

直方图的历史

直方图的概念最早可追溯到 17 世纪，但现代直方图的命名与普及归功于英国统计学家 卡尔·皮尔逊 (Karl Pearson)，他在 1895 年的一系列讲座中首次使用了 "histogram" 一词。皮尔逊在设计直方图时，旨在替代传统的统计表格，使分布特征一目了然。随着计算机图形学的发展，直方图已成为数据分析软件和编程语言（如 R 语言和 Python 的 Matplotlib 库）中最基本的绘图功能之一。

应用实例

以下是一个简单的应用实例。假设某班级 50 名学生的期末考试成绩（百分制）数据如下：

58,62,63,65,68,70,71,72,73,74,75,75,76,76,77,77,78,78,79,79,80,80,81,81,82,82,83,83,84,84,85,85,86,86,87,87,88,88,89,89,90,91,92,93,94,95,96,97,98,10058, 62, 63, 65, 68, 70, 71, 72, 73, 74, 75, 75, 76, 76, 77, 77, 78, 78, 79, 79, 80, 80, 81, 81, 82, 82, 83, 83, 84, 84, 85, 85, 86, 86, 87, 87, 88, 88, 89, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 100

若采用 Scott 规则计算组距（假设 σ^≈9.5\hat{\sigma} \approx 9.5），则 h≈3.49×9.5/503≈8.8h \approx 3.49 \times 9.5 / \sqrt[3]{50} \approx 8.8，可取组距 10。从 55 分起始，得到以下分组：

  • [55,65)[55, 65)：4 人
  • [65,75)[65, 75)：8 人
  • [75,85)[75, 85)：20 人
  • [85,95)[85, 95)：14 人
  • [95,105)[95, 105)：4 人

该直方图呈近似对称的单峰分布，峰值出现在 75--85 分段，表明大多数学生的成绩集中在中等偏上水平，分布较为均衡。

总结

直方图是统计学中最基本、最直观的数据可视化工具之一。它以简洁的方式揭示了数据的分布特征，是进行描述性统计分析和后续推断性统计分析的重要前提。理解直方图的构建原理、解读方法以及其局限性，有助于数据分析者从数据中提取有价值的信息，避免因可视化参数选择不当而产生的误导。