MATLAB直方图绘制教程：histogram统计分布详解

本文系统讲解了MATLAB中histogram函数绘制与分析直方图的五大核心技巧：从自动分箱快速探查数据分布形态，到手动指定bin数量以调控细节粒度，再到精确设定bin边界实现对齐与一致性；不仅涵盖将频数直方图归一化为概率密度（PDF）以便与理论分布对比，还深入演示如何通过图形句柄提取counts、centers等关键统计信息并定位众数区间——无论你是初学者想快速上手数据可视化，还是进阶用户需精准控制统计分析流程，这篇教程都提供了即学即用、覆盖全面的实战指南。

如果您在MATLAB中需要可视化数据的分布情况，直方图是最常用的方式之一。histogram函数可自动划分区间、统计频数并绘制图形。以下是使用histogram函数绘制直方图并分析统计数据分布的具体操作步骤：

一、基础直方图绘制

histogram函数默认根据数据范围和数量自动选择合适的bin数量，并完成频数统计与绘图。该方法适用于快速查看整体分布形态。

1、在命令行或脚本中定义一个数值向量，例如：data = randn(1, 1000);

2、调用histogram函数绘制直方图：histogram(data);

3、运行后将显示一个带有默认分箱数的直方图窗口，横轴为数据值，纵轴为频数。

二、指定分箱数量绘制

当需要控制分辨率或对比不同粒度下的分布特征时，可手动设定分箱（bin）数量，使统计结果更具可比性或更贴合分析需求。

1、生成测试数据：data = exprnd(2, 1, 500);

2、使用第二个输入参数指定bin数目，例如50个分箱：histogram(data, 50);

3、观察图形变化：分箱越多，细节越丰富；过少则可能掩盖分布峰态。

三、指定分箱边界绘制

通过显式定义bin边缘，可以精确控制每个区间的起止位置，适用于需对齐特定阈值、分类边界或与其他数据集保持bin一致的情形。

1、构造等距边界向量：edges = 0:0.5:10;

2、使用edges作为第二个参数调用函数：histogram(data, edges);

3、确保data中所有值均落在edges定义的最小到最大范围内，否则超出部分将不被统计。

四、归一化为概率密度

将纵轴从频数转换为概率密度，使得直方图面积总和为1，便于与理论分布（如正态分布曲线）叠加比较。

1、生成标准正态分布样本：data = randn(1, 2000);

2、设置Normalization参数为'pdf'：histogram(data, 'Normalization', 'pdf');

3、此时每个柱子高度表示该区间内概率密度估计值，而非原始计数。

五、获取统计信息并标注峰值区间

histogram函数返回句柄对象，可通过其属性提取bin中心、频数、宽度等信息，进而计算众数所在区间或进行进一步统计处理。

1、创建直方图并保存句柄：h = histogram(data);

2、读取频数数组与bin中心：counts = h.Values; centers = h.BinEdges(1:end-1) + diff(h.BinEdges)/2;

3、定位最大频数对应的位置：[~, idx] = max(counts); mode_bin = centers(idx);

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。