本文主要是介绍【Python】数据可视化之核密度，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
KDEPlot（Kernel Density Estimate Plot，核密度估计图）是seaborn库中一个用于数据可视化的函数，它基于核密度估计（KDE）这一非参数统计方法来估计数据的概率密度函数。KDEPlot能够直观地展示数据的分布特征，对于单变量和双变量数据均适用。
目录
基本思想
主要参数
沿轴绘制
平滑调整
多类绘制
堆叠分布
二元分布
基本思想
核密度估计（Kernel Density Estimation, KDE）是一种用于估计随机变量概率密度函数的非参数方法。在统计学和概率论中，当我们不知道数据背后的确切分布形式时，核密度估计提供了一种灵活的方式来估计数据的分布形态。这种方法特别适用于小样本数据和复杂分布的情况。
核密度估计的基本思想是将每一个数据点看作是一个小型的、平滑的“核”函数（通常是正态分布、均匀分布或其他形式的对称、平滑函数）的中心，然后计算这些核函数在整个数据空间上的叠加结果。这个叠加的结果就是整个数据集的密度估计。
主要参数
- data：要绘制的数据集，可以是一维数组（单变量）或二维数组/DataFrame（双变量）。
- shade：是否在核密度曲线下绘制阴影，默认为True。阴影可以帮助更直观地展示数据的分布范围。
- color：曲线的颜色，默认为绿色（'g'）。
- hue ：语义映射以确定绘图元素颜色的语义变量。
- linewidth：曲线的宽度，默认为1。
- bw（bandwidth）：核密度估计的带宽，控制曲线的平滑程度。默认为'scott'，即使用Scott的规则自动计算带宽。
- bw_adjust ： 平滑程度缩放的因子。增加将使曲线更平滑。
- gridsize：用于计算核密度的网格大小，默认为100。增加此值可以提高图形的分辨率，但也会增加计算时间。
- cumulative：是否绘制累积密度函数（CDF），默认为False。如果设置为True，则绘制的是数据的累积分布函数而非概率密度函数。
- vertical：在单变量输入时有效，用于控制是否颠倒x-y轴位置，默认为False。
- kernel：核密度估计的方法，默认为'gau'（高斯核）。特别地，在二维变量的情况下仅支持高斯核方法。
- cmap：在绘制二维KDE图时使用的颜色映射（colormap），用于控制核密度区域的递进色彩方案。
沿轴绘制
沿x轴绘制单变量分布
tips = sns.load_dataset("tips")
sns.kdeplot(data=tips, x="total_bill", shade=True, color="g")
沿y轴绘制单变量分布
sns.kdeplot(data=tips, y="total_bill", shade=True, color="g")
平滑调整
使用更少的平滑
sns.kdeplot(data=tips, x="total_bill", bw_adjust=.1, shade=True, color="b")
使用更多的平滑（不绕过极端值）
ax= sns.kdeplot(data=tips, x="total_bill", bw_adjust=5, cut=0, shade=True, color="b")
多类绘制
绘制多类或多列数据
iris = sns.load_dataset("iris")
sns.kdeplot(data=iris, shade=True)
使用不同的调色
iris = sns.load_dataset("iris")
sns.kdeplot(data=iris, shade=True, palette="crest")
堆叠分布
堆叠条件分布multiple="stack"
sns.kdeplot(data=tips, x="total_bill", hue="time", multiple="stack", palette="PRGn")
按照填充堆叠multiple="fill"
sns.kdeplot(data=tips, x="total_bill", hue="time", multiple="fill",palette="PRGn")
二元分布
绘制x，y的二元分布图
sns.kdeplot(data=geyser, x="waiting", y="duration")
使用 hue 语义映射以显示条件分布
geyser = sns.load_dataset("geyser")
sns.kdeplot(data=geyser, x="waiting", y="duration", hue="kind")
填空含语义映射的条件分布曲线
geyser = sns.load_dataset("geyser")
sns.kdeplot(data=geyser, x="waiting", y="duration", hue="kind", shade=True, shade_lowest=False, cmap="crest")
这篇关于【Python】数据可视化之核密度的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
