企业官网建设流程全解析

今年年初做版本性能复盘的时候，产品同学拿着两份响应时间报表问我：“这两个版本到底哪个更稳定？”我当时的反应是：别问我，问直方图去。几千行的原始数据，用描述性统计输出平均数和P95固然能看到一些信息，但是当你想比较两组甚至更多组连续数据的分布形态——谁更集中、谁有长尾、谁冒出双峰——直方图（hist）几乎是最直接的工具。

这篇文章把我这些年用 matplotlib 的 hist 函数绘制多个数据集直方图的方法整理了一遍，包括参数选型、三种叠加模式的实现与取舍，以及几个我在真实项目中踩过的坑。适合正在做数据分析、机器学习特征分布检查，或者纯粹想用 Python 把图画明白的朋友。我会从最简单的用法讲起，再逐步把并列式、堆叠式、分面、KDE 叠加这些进阶操作拆开说清楚，每一步都给出对应代码和选择理由。

1. 多组数据对比时，直方图到底在帮你回答什么问题

直方图本质上回答的是一个分布问题：一组连续数值落在不同区间的次数（或比例）是怎样的。而当你把多组数据放进同一张图时，它要回答的问题就变成了“这几组数据从形态上到底像不像”。这个“像不像”不是看平均数，而是看整体形状。平均数一样的两批数据，可能一个是尖峰集中，一个是平缓分散，直方图一眼就能看出差别，用统计指标反而不容易讲明白。

1.1 适合用直方图对比的四类典型场景

我自己实际工作中最常遇到的多数据集直方图场景大致有四类，大家可以对照着看看自己属于哪一种。

第一类是 A/B 实验。对照组和实验组的某个指标（点击时长、转化金额、响应时间）各有一大堆数值，需要判断实验组是不是真的把分布“推”向了更好的方向。只看均值容易遗漏尾部风险，比如均值涨了但长尾也变长了，这种变化直方图非常灵敏。

第二类是分组特征分布。比如按会员等级看消费额度、按城市级别看订单金额、按渠道看用户活跃时长。这类场景要关心的是不同组的分布重心和离散程度是否一致。

第三类是改造前后的对比。系统优化前后的耗时分布、流程调整前后的数值分布，直方图能直观看出“峰有没有左移”“尾部有没有变矮”。

第四类是模型诊断中的分布偏移。训练集和线上预测集的某个特征分布是否一致，可以用多数据集直方图快速做初筛，后续再算 PSI 之类的指标。

画图不是目的，回答业务问题才是。所以你在动手之前先想清楚：你关注的是中心位置、离散程度、偏态还是多峰形态。这个决定了后面参数怎么配。

1.2 先分清直方图和柱状图，否则后面全是糊涂账

这个区分如果你已经非常清楚，可以先跳过；但根据我带人的经验，至少一半初学者会把两者混着用，导致数据类别被塞进 hist 之后画出完全没法看的图。

柱状图的横轴是类别，条与条之间有间隔，高度代表类别对应的数值；直方图的横轴是连续数值切分出的区间，条与条靠在一起，高度代表落在区间内的样本个数。柱状图是“离散对离散”，直方图是“连续对连续”。

如果硬把类别数据（比如“葡萄、苹果、香蕉”）传给 plt.hist，会发生什么？matplotlib 会把这些字符串映射成某个整数刻度，再切区间，出来的图不仅没有业务含义，还会因为字符串顺序问题产生一堆奇怪的浮点区间。所以第一原则是：看到 hist，先确认数据是连续数值型。

另外还有一个深层差异：直方图的矩形宽度是有意义的，它代表区间跨度。区间越宽，单个条内样本越多；区间越窄，条越多、形状越碎。所以 bins 的选取本质上是“分辨率设置”，这个后面专门讲。

1.3 多数据集直方图的三个硬骨头

把多组数据放进同一张图里，比各画各的难在三件事上。

第一是 bin 对齐。如果每组数据各自用默认 bins，区间边界会不一样，两个直方图叠在一个坐标系里，条的位置根本对不齐，视觉上就像两张不同的图硬拼在一起。

第二是视觉区分度。多组数据叠加重合区域大，颜色、透明度、边框样式如果配不好，重叠部分会变成一团黑。

第三是样本量不均衡的归一化。一组数据 2000 条、另一组 200 条，直接比频数没有意义，大样本组会把小样本组的形态完全压扁。

这三个问题后面都会给到对应的解决方案。先记住结论：多数据集直方图不是“多写一行 plt.hist”那么简单。

2. 吃透 hist 参数：bins、density、alpha 怎么配才科学

2.1 bins 到底该填多少：三种方式与选择逻辑

bins 是直方图最重要的参数，没有之一。它的直观含义是“横轴切成多少段”，也可以是“切成哪些段”。有三种常见填法。

第一种，填整数。比如bins=30表示把数据范围均匀切成 30 个区间。对大多数场景，30 是一个不错的起点：数据量几千条时能看到比较平滑的形态，也不能算过密。如果你只填plt.hist(data)，matplotlib 会用自己的默认整数，但不同版本的默认值不一样，复现性差。

第二种，填序列。比如bins=[0, 20, 40, 60, 80, 100]，表示用自定义边界切分。这种方式的优势在于你可以完全控制区间边界，多数据集对比时特别有用，因为你可以给所有数据集用同一个边界列表，保证 bin 完全对齐。

第三种，填'auto'或'fd'这类自动算法。bins='auto'会基于数据量和范围自动选择一个较优的条数，适合快速探索。但它不是万能膏药，如果你后续要和其他数据集做严格对比，自动算法会给每组算出不同的 bins，反而制造问题。

还有一个经验公式也值得收藏：Sturges 规则，适用于数据量不太大的场景，bins = ceil(log2(n) + 1)，n 是样本量。比如 1000 条数据，ceil(log2(1000)+1)约等于 11 个条。这个规则给出的条数偏少，图会比较平滑，适合初步看形态。

区间宽度的计算很简单：区间宽度 = (最大值 - 最小值) / bins 数量。区间宽了，单条内样本多，高度高；区间窄了，条多，可能有锯齿。多组数据对比时，我的建议是：先看所有组数据的全局范围，用np.linspace(min_all, max_all, bins+1)生成统一的边界序列，然后所有数据集都用这个边界。

import numpy as np all_min = min(d.min() for d in datasets) all_max = max(d.max() for d in datasets) shared_bins = np.linspace(all_min, all_max, 31) # 30个区间，31个边界

这样画出来的多组直方图，每条柱的位置严格一一对应，比各画各的可靠得多。

2.2 density 与 weights：样本量不均衡时的正确归一化

再强调一次：频数直方图的纵轴是“落入区间的样本个数”。当几组数据的样本量差别很大时，直接比较频数是有误导性的。2000 条的那组随便一个区间都有几百条，200 条的那组最高柱可能也就几十条，小样本组会从视觉上“消失”。

解决办法是density=True。加上这个参数后，matplotlib 会把纵轴换算成密度，并且保证所有矩形面积之和为 1。这时候直方图就不再受样本量影响，所有组都在同一个尺度上做形态比较。注意它的纵轴并不是概率，单根柱的高度乘以区间宽度才是该区间的概率估计。

用 density 有一个副作用：如果你的多组样本量相差很大，但你想同时表达“绝对规模”和“形态”，密度图会把规模信息丢掉了。这种情况下可以考虑画两个图：一个用频数看规模，一个用密度看形态，不要试图在一张图里同时表达两个维度的信息。

再说 weights。weights 参数给每个样本加一个权重，常用于样本加权场景。它和 density 同时使用时行为会比较微妙：先加权再归一化，出来的是加权密度。我的经验是，普通的数据分析场景尽量别把 weights 和 density 一起用，容易让读者（包括你自己）对纵轴的物理意义产生困惑。如果只是需要按某个字段加权，单独用 weights，纵轴保持为加权频数，语义更清晰。

2.3 alpha 与 histtype：多层叠加时间区分度的关键

多数据集直方图和单数据集最大的不同，在于重叠区域多，颜色区分必须靠 alpha 和填充样式共同完成。

alpha 控制透明度，0 是完全透明，1 是完全不透明。两层叠加时，我推荐 0.5 左右：既能看清新来的数据集，又不会完全盖住底层，可以辨认出两组数据的轮廓。但如果叠加三层甚至四层，半透明叠加区会越来越暗，最后变成一坨深色阴影，颜色信息失灵。

对付多层叠加，光调 alpha 是不够的，更可靠的手段是换 histtype。hist 的类型有'bar'（默认，实心填充条）、'step'（只画轮廓线，不填充）、'stepfilled'（填充但不描边）。多组数据超过两层时，我通常会至少让其中一组用histtype='step'画轮廓线，这样即使填充区叠成深色，轮廓线依然清晰可辨，每条数据集的边界都能被单独追踪。

ax.hist(data_a, bins=shared_bins, alpha=0.5, histtype='stepfilled', label='版本A') ax.hist(data_b, bins=shared_bins, alpha=0.8, histtype='step', lw=2, label='版本B')

颜色选择也需要动点脑子。不要直接啃默认配色里的前两个颜色，它们可能区分度不够。实用的做法是先选一组高区分度调色板，比如['#4C72B0', '#DD8452', '#55A868', '#C44E52']，再配合 alpha/step 组合使用。区分度比美观重要，颜色首先要让人分得清，其次才是好不好看。

3. 三种叠加形态实现：从堆叠到并列的完整代码与选型

多数据集直方图的呈现形态不只是“叠在一起”一种。根据你想强调的信息，有三种主流形态：透明叠加、并列式分组、堆叠式。下面分别给出代码和适用场景。

3.1 透明叠加（overlay）：一行代码上手，但要防“视觉欺骗”

透明叠加是最简单也最常见的做法，直接把多组数据统一传给 plt.hist，用一个列表包起来即可。

import matplotlib.pyplot as plt import numpy as np np.random.seed(42) data_a = np.random.normal(loc=80, scale=15, size=500) data_b = np.random.normal(loc=75, scale=12, size=600) fig, ax = plt.subplots(figsize=(10, 6)) shared_bins = np.linspace( min(data_a.min(), data_b.min()), max(data_a.max(), data_b.max()), 31 ) ax.hist( [data_a, data_b], bins=shared_bins, alpha=0.5, color=['#4C72B0', '#DD8452'], label=['版本A', '版本B'] ) ax.legend(loc='best', frameon=False) plt.show()

传入列表时，hist 会自动把每组数据单独统计，颜色列表一一对应。注意此时的返回值n的维度变成了(组数, bins数)，这是一个容易踩的数据结构问题，后面讲。

透明叠加最适合对比两组数据的整体形态差异：谁更左、谁更胖、谁有第二个峰。但它对重叠区域有天然的视觉局限——重叠部分颜色加深，人眼判断的“重叠面积”会受透明度数学影响，这点放到坑位部分详细讲。

3.2 并列式分组直方图：手动偏移 bins 的规范写法

如果你希望每一项的数据都能被精确读到，不依赖“透过重叠区猜测”，那就用并列式。遗憾的是 matplotlib 没有内置参数直接把多组直方图变成并列模式，需要自己用np.histogram算频数，再用bar绘制。这个过程不难，但很多人第一次会卡在偏移量的计算上。

labels = ['版本A', '版本B'] colors = ['#4C72B0', '#DD8452'] datasets = [data_a, data_b] all_min = min(d.min() for d in datasets) all_max = max(d.max() for d in datasets) bins = np.linspace(all_min, all_max, 21) # 20个区间 n_groups = len(datasets) bin_width = bins[1] - bins[0] bar_width = bin_width * 0.8 / n_groups fig, ax = plt.subplots(figsize=(10, 6)) for i, (data, label, color) in enumerate(zip(datasets, labels, colors)): counts, edges = np.histogram(data, bins=bins) # edges 比 bins 多一个值，取每个区间的左端点，再加偏移量 lefts = edges[:-1] + i * bar_width ax.bar(lefts, counts, width=bar_width, label=label, color=color, alpha=0.9) ax.legend(loc='best', frameon=False) plt.show()

关键点有两个。第一，所有组共享同一个bins边界，保证每个区间起点一致，否则并列会错位。第二，偏移量计算：同组内所有柱都往右平移i * bar_width，bar_width等于 bin 宽度的八成再除以组数，留出组内间隙。这样两组数据在同一个区间内并行排列，毫不重叠，每条柱的高度都能被精确读取。

并列式的缺点是当组数大于 4 时，每根柱会变得很窄，视觉上密密麻麻；组数少（2-4 组）时这是最推荐的一种，尤其是你要在报告里给非专业人士看图的场景，任何人一眼就能看出对比关系。

3.3 堆叠式直方图：适合看构成，不适合看差异

堆叠式只需一个参数：stacked=True。

ax.hist([data_a, data_b, data_c], bins=shared_bins, stacked=True, color=['#4C72B0', '#DD8452', '#55A868'], label=['渠道A', '渠道B', '渠道C'])

堆叠的语义是“累计构成”：最底层是第一组，第二组垒在第一组上方，第三组继续往上垒。因此每个区间内的总高度是所有组样本数之和，各组在这个区间的占比通过色带厚度体现。这个形态特别适合看“总量构成随横轴的变化”，比如不同时段的流量构成、不同年龄段的收入构成。

但要注意，堆叠式的致命缺点是后垒上去的组被前面的组遮住，难以单独比较它们的形态——比如你想看渠道B和渠道C的分布差异，在堆叠图里只能靠色带厚度变化去猜。所以记住一条选型经验：看构成用堆叠，看差异用透明叠加或并列。

另外，stacked 模式对负值要特别小心。如果数据里存在负数，条形会往下叠加，group 之间的视觉关系会瞬间混乱；有负数时建议不要用堆叠。

三种形态的选择其实是一个问题：你想让读者关注什么。关注整体构成，选堆叠；关注逐组合个区间读数，选并列；关注分布形态的相对关系，选透明叠加。没有哪一种是绝对最优，关键是匹配问题。

4. 数据多到一张图放不下时：分面、KDE 与箱线辅助

如果数据组数到了 5 组以上，再好的调色板和透明度设计也救不了那张叠加图。这时候的正确操作不是继续加颜色，而是换布局思路。

4.1 分面网格：用 subplots 让每张图各司其职

分面不是把多组数据放进同一坐标系，而是给每组一个小图，再把小图排成网格对齐展示。matplotlib 的subplots配合sharex=True, sharey=True是标准做法。共享坐标轴是重点：只有共享了横纵轴刻度，读者才能在扫视中完成跨图比较，否则每张小图的坐标范围不一致，等于变相欺骗。

fig, axes = plt.subplots(1, 4, figsize=(16, 4), sharex=True, sharey=True) for ax, data, name in zip(axes, datasets, names): ax.hist(data, bins=shared_bins, color='#4C72B0', alpha=0.8) ax.set_title(name) ax.set_xlabel('响应时间 (ms)') axes[0].set_ylabel('频数') fig.suptitle('不同渠道响应时间分布对比', fontsize=14) plt.tight_layout() plt.show()

当组数在 4-8 之间时，分面明显优于叠加。每组数据有自己的完整空间，重叠区域的问题消失，且分布形态不会被其他组的颜色干扰。

如果组数超过 8，分面也会变得零碎，这时我建议放弃“一张图展示所有”，改用热力图之类的手段，或者回到表格输出统计摘要。图表的功能是辅助判断，不是给读者制造视觉迷宫。

4.2 KDE 曲线与箱线图叠加：直方图的黄金搭档

直方图受 bins 影响，形态有阶梯感。想要更平滑的对比，可以在直方图之上叠加核密度估计（KDE）曲线。matplotlib 本身不直接提供 KDE，但 scipy.stats.gaussian_kde 很简单。

from scipy.stats import gaussian_kde fig, ax = plt.subplots(figsize=(10, 6)) for data, color, label in zip(datasets, colors, labels): counts, edges = np.histogram(data, bins=shared_bins, density=True) ax.bar(edges[:-1], counts, width=np.diff(edges), color=color, alpha=0.3, label=label) kde = gaussian_kde(data) xs = np.linspace(data.min(), data.max(), 200) ax.plot(xs, kde(xs), color=color, lw=2, label=f'{label} KDE') ax.legend(loc='best', frameon=False) plt.show()

注意这里直方图使用了density=True，目的是让直方图的高度和 KDE 曲线处于同一个“概率密度”尺度，否则 KDE 曲线纵轴是密度，直方图纵轴是频数，两者根本没法叠加。

KDE 的带宽默认是自动选择的，大多数时候效果还行；如果数据本身是大致正态的，KDE 曲线会非常接近正态曲线。直方图负责还原“每一段里的实际分布”，KDE 负责给出“连续平滑的形状估计”，两者配合使用是我做特征分布对比时的标准动作。

另一个可以叠加的是箱线图。箱线图放在直方图上方或下方，用同一个横轴，能补充分位数信息，比如中位数、四分位距、离群点。一个实用做法是：主坐标轴画直方图，用次坐标轴或手动把箱线图横置在图的顶部。这样可以在一张图里同时读到“分布形态”和“分位摘要”，很适合汇报场景。

fig, ax = plt.subplots(figsize=(10, 6)) # 直方图画在下方 ax.hist(data_a, bins=shared_bins, density=True, alpha=0.4, label='版本A') # 箱线图横置在绘图区顶部 bp = ax.boxplot([data_a, data_b], vert=False, positions=[1.15, 1.08], widths=0.02, patch_artist=True, manage_ticks=False)

当然，位置参数需要根据你的直方图纵轴范围调整，核心思路是用一组小尺寸箱线，放在图的上方空档处，既不干扰直方图主视觉，又能提供分位数信息。

4.3 中文显示与横坐标拥挤：国内用户最容易卡住的两个点

在中文环境下画图，字体会让不少人翻车。默认字体不包含中文字符，一旦图里有中文，标签会显示成方框。解决方式是在绘图前设置 rcParams：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC'] plt.rcParams['axes.unicode_minus'] = False

第一行是中文字体候选列表，不同系统能用的字体不一样：Windows 常用 SimHei 或 Microsoft YaHei，macOS 用 PingFang SC。第二行必须设置，否则坐标轴上的负号会显示成方框，因为 Unicode 减号在处理中文字体时经常对不上。

另一个高频问题是横坐标标签太密集。当你的直方图横轴是日期字符串、长数值，或者 tick 自动生成了一堆小数并排显示时，图会变成一团浆糊。常见的处理手段是旋转标签、限制刻度数量、关闭科学计数偏移：

plt.xticks(rotation=45) ax.ticklabel_format(style='plain', axis='x') from matplotlib.ticker import MaxNLocator ax.xaxis.set_major_locator(MaxNLocator(nbins=8))

rotation=45适合字符型标签；MaxNLocator(nbins=8)强制横轴至多显示 8 个刻度，治“太密集”最有效；ticklabel_format防止大数变成1e4这种看不懂的显示。

5. 复盘：多数据集直方图高频坑与排查思路

这部分是我最想写的，因为每一个坑都是真金白银踩出来的。下面的问题都曾经在项目里让我画出过“自我感觉良好但结论错误”的图，现在整理成清单，希望你能直接绕过去。

5.1 各组 bins 范围不一致，图看着挺好看但结论是错的

我见过太多人把两组数据直接plt.hist(data1)、plt.hist(data2)叠加，出来的图乍一看没什么问题，但仔细看横轴刻度，两组柱子的 bin 宽度根本不一样。为什么？因为 hist 默认会自动根据每组数据的范围单独计算 bins。数据 A 范围 0-100，自动分了 20 个区间；数据 B 范围 30-80，自动分了 10 个区间。两组叠在同一坐标系里，A 的柱子细密，B 的柱子粗疏，视觉上 A 的峰更高更尖，B 更矮更平，但这个对比完全失真，很可能只是 bins 数量不同造成的假象。

排查思路很简单：画完图之后，故意把两组直方图分别导出，检查它们的柱宽是否一致，或者直接打印bins数组看边界。修复方法就是第 2 节说的统一shared_bins，所有数据集用同一组边界。我现在已经把这步固化成模板了，只要是多数据集直方图，第一件事就是算全局最小值和最大值，生成统一 bins。

5.2 alpha 叠加的数学陷阱

透明叠加图里有一个反直觉现象：两层透明度 0.5 的柱子在重叠区域的视觉深度，并不是“0.5 + 0.5 = 1”的不透明，而是 1 - (1-0.5) × (1-0.5) = 0.75 的“视觉遮罩深度”。如果是三层 0.5，重叠区视觉深度达到 1 - 0.5³ = 0.875，几乎全黑。这就是为什么三层以上叠加时，重叠区的人眼判断会严重偏向“深色区域很多”，而真实的重叠范围可能并没有那么大。

排查思路：如果你看到重叠区呈现出“深不见底”的颜色，第一反应不是“重叠太多”，而是检查层数和 alpha 算一下有效遮罩深度。这时候最省事的修正不是把 alpha 调得更低（调低会让非重叠区也看不清楚），而是切换第二组到histtype='step'，用轮廓线代替填充，或者像我在 2.3 里写的那样，分组差异化处理。

# 三层叠加推荐写法：填充+轮廓混合 ax.hist(data1, bins=shared_bins, alpha=0.5, histtype='stepfilled', color=c1) ax.hist(data2, bins=shared_bins, alpha=0.6, histtype='stepfilled', color=c2) ax.hist(data3, bins=shared_bins, alpha=0.9, histtype='step', lw=2, color=c3)

5.3 用 counts 还是用比例，先想清楚再执行

样本量不均衡时直接画频数是性价比最高的“错误示范”。假设一组数据 2000 条、另一组 200 条，counts 图上大样本组随便一个区间都是小样本组的好几倍，小样本组只能贴地前进，形态完全不可见。如果你忘记density=True，你甚至会觉得“版本B明显更差”，错误结论就是这样产生的。

排查方法：先看一眼每组样本量，如果最低和最高相差超过 2 倍，直接默认使用density=True对比形态。如果还想兼顾规模差异，我建议画两幅图，一幅 counts 用分面展示绝对规模，一幅 density 用叠加展示相对形态。另外要提醒一句：density=True 后的纵轴不是“百分比”，而是“概率密度”，单根柱面积才是概率，读者如果不懂这点，解读时容易懵。

5.4 善用 plt.hist 返回值：一个被忽视的高级技巧

很多人只把plt.hist()当“画图语句”，忽略了它有返回值：n, bins, patches。这三个值的组合可以做很多高级操作。n 是每组频数（数组维度取决于传入了几组数据）；bins 是边界数组；patches 是每个柱子的图形对象列表，可以逐个修改它们的视觉属性。

用这个返回值可以对直方图做二次标注。比如我想标出频数最高的区间并把柱子变色：

fig, ax = plt.subplots(figsize=(10, 6)) n, bins, patches = ax.hist(data_a, bins=shared_bins, color='#4C72B0', alpha=0.7) threshold = np.percentile(n, 90) for patch, count in zip(patches, n): if count > threshold: patch.set_facecolor('#C44E52') ax.set_title('版本A 响应时间分布（红色为Top10%区间）') plt.show()

也可以遍历 patches 在柱顶加数值标签。这个技巧尤其适合做汇报材料，因为它让图表不仅可看，还能直接抽取“哪个区间集中了最多样本”这类信息，省掉再去想 numpy 里自己统计的过程。

5.5 一个值得固化的绘图习惯

以上这些方法组合起来，我现在处理多数据集直方图已经形成了一套固定套路：先统计所有组的全局范围生成统一 bins；如果样本量差异明显就直接 density=True；两层用填充+alpha，超过两层把其中一组换成 step 轮廓；做正式汇报前多问自己一句——用这张图的人，能不能在三秒内说出各组差异是什么。如果能，图就是合格的。

如果你的数据源是 DataFrame，替换成实际列名即可，比如df['response_time'].to_numpy()。matplotlib 的 hist 和 numpy 的接口都很稳定，这套代码只要你把数据组织成一个列表，跑起来几乎没有版本上的意外。希望这篇能帮你在下次需要对比多组连续分布时，少走几次弯路。