给定一组连续值的数据，将它们分成若干小段，统计每个小段中数据的个数，并画出它们的直方图和拟合曲线.
法一：利用seaborn中的包可以快速实现，这里的拟合曲线默认不是正态曲线，而是更好的拟合了数据的分布情况，但通过参数fit可以设置拟合正态曲线.
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
sns.set(style="ticks")
from sklearn import datasets
from scipy.stats import norm
iris = datasets.load_iris() # 载入鸢尾花数据集
x = iris.data[:,0] # 取narry中的第一列
sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
# sns.distplot( x,color="r",bins=100,kde=True,)# hist=False)
# hist和kde参数默认都是True,分别用于控制是否展现直方图和拟合的曲线图
# fit可用于指定拟合正态分布，要导入from scipy.stats import norm
sns.distplot( x,bins=30, hist=True,kde_kws={‘color‘: ‘green‘, ‘lw‘:3, ‘label‘:‘x‘}, hist_kws={‘color‘: ‘red‘, ‘alpha‘: 0.2})
plt.show()
官网教程：http://seaborn.pydata.org/generated/seaborn.distplot.html?highlight=distplot#seaborn.distplot
参考：https://www.jianshu.com/p/65395b00adbc
法二：利用round()函数保留小数点后一位或两位，再groupby作图，但效果远不如第一种.
f_train[‘VAR00007‘] = f_train[‘VAR00007‘].apply( lambda x: round(x, 1))
f_train = f_train.groupby([‘VAR00007‘])[‘VAR00007‘].agg([‘count‘]).reset_index()
f_train.sort_values([‘VAR00007‘], )
ydata = f_train[‘VAR00007‘].tolist()
x = f_train[‘count‘].tolist()
ydata.sort(reverse=False)
plt.scatter( ydata, x)
plt.show()
原文：https://www.cnblogs.com/xxswkl/p/11184267.html