matplotlib.axes.Axes.ecdf

Axes.ecdf(x, weights=None, *, complementary=False, orientation='vertical', compress=False, data=None, **kwargs)[source]

Вычислите и нарисуйте эмпирическую функцию распределения кумулятивного накопления x.

Добавлен в версии 3.8.

Параметры:

xодномерный массив-подобный объект: Входные данные. Бесконечные значения сохраняются (и перемещают соответствующий конец ecdf от 0/1), но значения NaN и значения с маской являются ошибками.
weightsодномерный массив-подобный объект или None, по умолчанию: None: Веса записей; должен иметь такую же форму, что и x. Веса, соответствующие точкам данных NaN, отбрасываются, а оставшиеся веса нормализуются для суммы, равной 1. Если не задано, все записи имеют одинаковый вес.
complementarybool, по умолчанию: False: Определяет, нужно ли рисовать кумулятивную функцию распределения, которая увеличивается от 0 до 1 (по умолчанию), или дополнительную кумулятивную функцию распределения, которая уменьшается от 1 до 0.
orientation{"вертикальный", "горизонтальный"}, по умолчанию: "вертикальный": Определяет, выводятся ли записи по оси x ("вертикальный", по умолчанию) или по оси y ("горизонтальный"). Этот параметр принимает те же значения, что и в hist.
compressbool, по умолчанию: False: Определяет, группируются ли несколько записей с одинаковыми значениями вместе (с суммарным весом) перед рисованием. Это в основном полезно, если x содержит много одинаковых точек данных, чтобы уменьшить сложность рендеринга графика. Если x не содержит дублирующих точек, это не оказывает никакого влияния и просто занимает некоторое время и память.

Возвращает:

Line2D

Другие параметры:

dataиндексируемый объект, необязательно

Если задано, следующие параметры также принимают строку s, которая интерпретируется как data[s] (если это не вызывает исключение):

x, weights

**kwargs

Ключевые аргументы управляют свойствами Line2D:

Свойство	Описание
`agg_filter`	функция фильтра, которая принимает массив чисел с плавающей точкой (m, n, 3) и значение dpi, и возвращает массив чисел с плавающей точкой (m, n, 3) и два смещения от нижнего левого угла изображения
`alpha`	скаляр или None
`animated`	bool
`antialiased` или aa	bool
`clip_box`	`BboxBase` или None
`clip_on`	bool
`clip_path`	Объект Patch или (Path, Transform) или None
`color` или c	цвет
`dash_capstyle`	`CapStyle` или {'butt', 'projecting', 'round'}
`dash_joinstyle`	`JoinStyle` или {'miter', 'round', 'bevel'}
`dashes`	последовательность чисел с плавающей точкой (включённый/выключенный чернила в точках) или (None, None)
`data`	массив (2, N) или два одномерных массива
`drawstyle` или ds	{'default', 'steps', 'steps-pre', 'steps-mid', 'steps-post'}, по умолчанию: 'default'
`figure`	`Figure`
`fillstyle`	{'full', 'left', 'right', 'bottom', 'top', 'none'}
`gapcolor`	цвет или None
`gid`	строка
`in_layout`	bool
`label`	объект
`linestyle` или ls	{'-', '--', '-.', ':', '', (смещение, последовательность включения/выключения), ...}
`linewidth` или lw	число с плавающей точкой
`marker`	строка стиля маркера, `Path` или `MarkerStyle`
`markeredgecolor` или mec	цвет
`markeredgewidth` или mew	число с плавающей точкой
`markerfacecolor` или mfc	цвет
`markerfacecoloralt` или mfcalt	цвет
`markersize` или ms	число с плавающей точкой
`markevery`	None или целое число или (целое число, целое число) или срез или список целых чисел или число с плавающей точкой или (число с плавающей точкой, число с плавающей точкой) или список булевых значений
`mouseover`	bool
`path_effects`	список `AbstractPathEffect`
`picker`	число с плавающей точкой или вызываемый объект [[Artist, Event], tuple[bool, dict]]
`pickradius`	число с плавающей точкой
`rasterized`	bool
`sketch_params`	(масштаб: число с плавающей точкой, длина: число с плавающей точкой, случайность: число с плавающей точкой)
`snap`	bool или None
`solid_capstyle`	`CapStyle` или {'butt', 'projecting', 'round'}
`solid_joinstyle`	`JoinStyle` или {'miter', 'round', 'bevel'}
`transform`	неизвестно
`url`	строка

`visible`	bool
`xdata`	Одномерный массив
`ydata`	Одномерный массив
`zorder`	float

Примечания

График ecdf можно рассматривать как накопительную гистограмму с одним интервалом на каждый элемент данных; т.е. он сообщает о полном наборе данных без произвольного разбиения на интервалы.

Если x содержит NaN или замаскированные значения, либо удалите их из массива (если они не должны учитываться), либо замените их на -inf или +inf (если их необходимо отсортировать в начале или в конце массива).

Примеры использования `matplotlib.axes.Axes.ecdf`

<img alt="" loading="lazy" src="data:image/png;base64,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

Построение кумулятивных распределений

ecdf(x)

matplotlib.axes.Axes.ecdf

Примечания

Примеры использования matplotlib.axes.Axes.ecdf

Примеры использования `matplotlib.axes.Axes.ecdf`