直方图（Histogram），一种数据统计层面的绘图方式。用一系列高低不等的柱子表示数据分布，横坐标表示数据划分区间，纵坐标可以表示落到各个区间内的频数/频率。使用matplotlib.pyplot库中的hist方法实现，先看函数的参数：官方link
matplotlib.pyplot.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)
x是输入的数据，一般是一维数组，必填项。bins是数据划分的组数，可以根据实际情况自己设置，也可以默认适配。range需要tuple类型数据(x_min,x_max)，表示bin的下界和上届，也可以默认。density当你需要纵轴显示频率时，将该参数设置为True。其中，内部是通过该公式计算的频率density = counts / (sum(counts) * np.diff(bins))np.sum(density * np.diff(bins)) == 1。如果stacked也是True，则直方图的总和归一化为 1。（尝试了一下，有些数据不知道为啥纵坐标会大于1）weights与x形状相同的权重数组。x中的每个值仅将其相关权重贡献给 bin 计数（而不是 1）。如果密度为True，则权重被归一化，因此密度在该范围内的积分保持为 1。
# p为数据集，为了查看数据频率分布，将density、stacked设置为True之后，纵轴大于1；
# 因此，使用权重的方式
weights = np.array(p) / len(p)
n, bins, patches=plt.hist(p,weights=weights) # density=True,stacked=True,
注意：normed该属性已经被官方弃用，显示频率分布就看上述两种方式是否符合你的要求。
官方示例：
import numpy as np
import matplotlib.pyplot as plt
# Fixing random state for reproducibility
np.random.seed(19680801)
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)
plt.grid(True)
plt.show()
