kdeplot()核密度估计图的介绍

核密度估计图：
核密度估计是概率论中用来估计未知的密度函数，属于非参数校验方法之一。
通过核密度估计图可以比观的看出数据样本本身的分布特征。

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

#随机生成100个标准的正太分布数据，绘制核密度估计图
na=np.random.randn(100)
sns.kdeplot(na)
plt.show()
1
2
3
4
5
6
7
8

运行效果如下所示：

介绍kdeplot函数中的属性值：

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# cumulative=True/False，是否绘制累计分布
na = np.random.randn(100)
sns.kdeplot(na, cumulative=True)
plt.show()
1
2
3
4
5
6
7
8

运行结果如下所示：

#shade=True/False 若为True，则在kde曲线下面的区域中进行阴影处理
na=np.random.randn(100)
sns.kdeplot(na,shade=True)
plt.show()
1
2
3
4

运行结果如下所示：

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# color 控制曲线及阴影的颜色
na = np.random.randn(100)
sns.kdeplot(na, shade=True, color="black")
plt.show()
1
2
3
4
5
6
7
8

运行结果如下所示：

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# vertical = False 带表在横轴绘制,默认为False
# vertical = True 带表在纵轴绘制
na = np.random.randn(100)
sns.kdeplot(na, shade=True, color="black", vertical=True)
plt.show()
1
2
3
4
5
6
7
8
9

运行结果如下所示：

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# 二元kde图像（很少用到）
x = np.random.randn(100)
y = np.random.randn(100)
sns.kdeplot(x, y, shade=True, color="red")
plt.show()
1
2
3
4
5
6
7
8
9

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# cbar=True/False  为True则添加一个颜色棒（注：颜色棒必须在二元kde图像中才能生效）
x = np.random.randn(100)
y = np.random.randn(100)
sns.kdeplot(x, y, shade=True, color="red", cbar=True)
plt.show()
1
2
3
4
5
6
7
8
9