import pandas as pd
from matplotlib import pyplot as plt
import numpy as np

mydict = {0: 8012,25: 3710,100: 10794,200: 11718,300: 2489,500: 7631,600: 34,700: 115,1000: 3099,1200: 1766,1600: 63,2000: 1538,2200: 41,2500: 208,2700: 2138,5000: 515,5500: 201,8800: 10,10000: 10,10900: 465,13000: 9,16200: 74,20000: 518,21500: 65,27000: 64,53000: 82,56000: 1,106000: 35,530000: 3}
mylist = []

for key in mydict:
for e in range(mydict[key]):
    mylist.insert(0,key)

df = pd.DataFrame(mylist,columns=['value'])
df2 = df[df.value <= 5000]

绘制为条形图：

fig = df.value.value_counts().sort_index().plot(kind="bar")
plt.savefig("figure.png")

作为直方图（限于值5000 &以下是〉97%的数据）：我喜欢用linspace来控制桶。

df2 = df[df.value <= 5000]
df2.hist(bins=np.linspace(0,5000,101))
plt.savefig('hist1')

编辑：将np.linspace(0,5000,100)更改为np.linspace(0,5000,101)并更新直方图。

通常，heavy tail distributions以幂律尾结尾，例如Pareto distribution，在这种情况下，一个powerfull表示将是log-log plot，这在python中很容易实现，见例如。

• plotting a histogram on a Log scale with Matplotlib
• Plot logarithmic axes

请注意，提取一些值可能是查看幂律分布的低效方法。
还要考虑数据的Pareto analysis。
如果你对幂律分布感兴趣，你可以阅读更多关于分类数据在构造上本质上是幂律的事实，因为它们不能被排序，这是Vitold Belevitch在1959年的一个结果。