在科研工作中，拿到一组新数据后，很多人第一反应是算均值、标准差、跑个t检验或回归。但真正靠谱的分析，往往从“看分布”开始。分布决定了你该用什么统计方法、是否需要变换数据、异常值有多严重，甚至直接影响结论的可信度。
直方图和密度图是最常用的两种工具。它们看起来简单，用好了能省下很多弯路；用不好，反而容易误导自己。下面我们把这两种图说清楚，并给出可直接上手的画法。
什么是直方图（Histogram）与密度图（Density Plot）？
直方图是把连续数值变量划分成若干等宽的区间（称为“箱”或“bin”），然后用柱子的高度表示每个区间里数据点的数量（或频率、密度）。它本质上是频率表的可视化版本。
举一个经典例子：
这是一张表示泰坦尼克号乘客年龄的直方图（来源：Claus Wilke《Fundamentals of Data Visualization》）。不同年龄段的人数一目了然。
还有这张Matplotlib上的图（来源：https://matplotlib.org/stable/gallery/statistics/hist.html）：
直方图有一个关键参数——箱宽（bin width）。箱太窄，图会显得嘈杂、毛刺多；箱太宽，细节（比如双峰、小凹陷）会被抹平。上面我们引用的Wilke的书里用同一组数据画了四种不同箱宽的对比，非常直观地说明了这个问题。
密度图（更准确地说是核密度估计图，Kernel Density Estimate, KDE）则是对直方图的平滑版本。它不把数据硬分成箱子，而是在每个数据点上放置一个“核函数”（最常用的是高斯核，也就是小钟形曲线），再把所有核叠加起来，得到一条连续的曲线。曲线下的总面积通常归一化为1，因此纵轴表示的是概率密度。
同样以泰坦尼克年龄为例，密度图能更平滑地展示整体形状：
Seaborn上的例子也很典型（来源：https://seaborn.pydata.org/generated/seaborn.kdeplot.html）：
密度图的关键参数是带宽（bandwidth）。带宽太小，曲线会跟着噪声起伏；带宽太大，真实结构会被过度平滑。另外，密度估计在数据稀疏的两端容易“泄漏”——比如年龄出现负数，这显然不合理，画图时需要注意截断。
简单对比：
- 直方图：离散、直接反映计数，对箱宽敏感。
- 密度图：连续、更接近底层概率分布，对带宽敏感，但通常更适合多组比较。
两者没有绝对优劣，很多时候可以叠在一起画（直方图+密度曲线），互相验证。
直方图适用场景
直方图特别适合以下情况：
1. 初步探索单变量分布
样本量中等或偏大（通常几百以上）时，快速看看数据是单峰还是多峰、是否偏斜、有没有明显断点。比如基因表达量、反应时间、测量误差等。
2. 需要明确看到“数量”时
如果你关心的是“这个区间大概有多少个样本”，而不是相对密度，直方图更直观。论文里想强调“大多数样本集中在某范围”，直方图很有说服力。
3. 数据本身有自然区间或离散感
例如年龄（按岁）、考试分数（按十分制）、某些传感器读数。箱宽可以对应实际意义。
4. 样本量较小或想保留原始信息时
密度估计在小样本下容易不稳定，直方图相对更“老实”。
需要注意的坑：
- 箱宽选择没有唯一正确答案。建议多试几种（或用Freedman-Diaconis、Scott等规则作为起点），并在正文或补充材料里说明你最终选的理由。
- 不同组之间如果直接叠直方图，容易看不清。此时更推荐后面说的密度图或分面图。
密度图适用场景
密度图在以下场景通常更占优势：
1. 比较多个分布
想同时看3–4个组的分布差异时，重叠的半透明密度曲线比堆叠/重叠直方图清晰得多。还是上面我提到Wilke书中用四种牛品种的乳脂率密度图就是很好的例子。
2. 关注分布的整体形状与细微结构
识别双峰、偏度、尾部厚度、潜在的亚群时，平滑曲线往往比柱状图更敏感。
3. 样本量较大时
数据点足够多，核密度估计会比较稳定，带宽选择的影响也相对可控。
4. 需要与理论分布对比
想把经验分布和正态、伽马等理论曲线叠在一起看拟合好坏，密度图是自然选择。
不适用或需谨慎的情况：
- 样本量很小（比如几十个点），容易过拟合噪声。
- 数据有明确边界（年龄不能为负、比例不能超过1），要记得设置截断或边界校正。
- 需要报告精确计数时，密度图的纵轴不如直方图直观。
实践中，很多人会同时画直方图+密度曲线，或者用`stat="density"`把直方图本身也归一化，方便直接比较。
如何画直方图和密度图？
在科研场景下，大多数人使用Python和R语言工具，我们在这里给出一些简洁可运行示例。代码尽量保持干净，方便大家直接复制修改。
ython（matplotlib + seaborn）
```python
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 示例数据
np.random.seed(42)
data = np.random.normal(loc=50, scale=15, size=800)
data2 = np.random.normal(loc=65, scale=12, size=600)
# 1. 基础直方图
plt.figure(figsize=(8, 5))
plt.hist(data, bins=30, color='steelblue', edgecolor='white', alpha=0.8)
plt.xlabel('Value')
plt.ylabel('Count')
plt.title('Basic Histogram')
plt.show()
# 2. 直方图 + 密度曲线（推荐）
plt.figure(figsize=(8, 5))
sns.histplot(data, bins=30, kde=True, color='steelblue', edgecolor='white',
line_kws={'linewidth': 2})
plt.xlabel('Value')
plt.ylabel('Count / Density')
plt.title('Histogram with Density Curve')
plt.show()
# 3. 多组密度图对比
plt.figure(figsize=(8, 5))
sns.kdeplot(data, label='Group A', fill=True, alpha=0.4, linewidth=2)
sns.kdeplot(data2, label='Group B', fill=True, alpha=0.4, linewidth=2)
plt.xlabel('Value')
plt.ylabel('Density')
plt.legend()
plt.title('Overlapping Density Plots')
plt.show()
# 4. 调整带宽（bw_adjust）
sns.kdeplot(data, bw_adjust=0.5) # 更敏感
sns.kdeplot(data, bw_adjust=1.5) # 更平滑
常用参数提示：
- `bins`：可直接给整数，或用`np.histogram_bin_edges`自己算。
- `stat="density"`或`stat="probability"`：把纵轴改成密度或概率。
- `common_norm=False`：多组比较时让每组自己归一化。
R（ggplot2）
R
library(ggplot2)
library(dplyr)
# 示例数据
set.seed(42)
df <- data.frame(
value = c(rnorm(800, 50, 15), rnorm(600, 65, 12)),
group = rep(c("A", "B"), times = c(800, 600))
)
# 直方图 + 密度
ggplot(df, aes(x = value)) +
geom_histogram(aes(y = after_stat(density)), bins = 30,
fill = "steelblue", color = "white", alpha = 0.7) +
geom_density(color = "darkred", linewidth = 1) +
theme_minimal() +
labs(title = "Histogram with Density", x = "Value", y = "Density")
# 多组密度
ggplot(df, aes(x = value, fill = group, color = group)) +
geom_density(alpha = 0.4, linewidth = 1) +
theme_minimal() +
labs(title = "Density by Group")
在R里也可以用`geom_histogram(bins = ...)`单独画直方图，或`geom_density(bw = ...)`控制带宽。
建议
1. 总是检查不同参数：至少试2–3种箱宽/带宽，把最终选择写进方法或补充材料。
2. 报告时写清楚：箱宽怎么定的、是否用了密度归一化、带宽选择依据。
3. 小样本优先直方图：大样本可以更放心地用密度图。
4. 多组比较时优先密度或分面直方图：避免堆叠直方图带来的视觉误导。
5. 边界问题：年龄、比例等有物理限制的变量，记得检查密度曲线是否越界。
直方图和密度图本身不复杂，真正拉开差距的是“是否认真对待参数选择”和“是否在正确的场景使用正确的图”。把这两步做好，后面的统计检验和建模会稳很多。
如果你正在写论文，建议把最终选定的图连同参数说明一起放进补充材料——审稿人看到你认真探索过分布，通常会更放心。
