seaborn.kdeplot

  1. seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)

拟合并绘制单变量或双变量核密度估计图。

参数:data:一维阵列

输入数据

**data2:一维阵列,可选。

第二输入数据。如果存在,将估计双变量KDE。

shade:布尔值,可选参数。

如果为True,则在KDE曲线下方的区域中增加阴影(或者在数据为双变量时使用填充的轮廓绘制)。

vertical:布尔值,可选参数。

如果为True,密度图将显示在x轴。

kernel:{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ },可选参数

要拟合的核的形状代码,双变量KDE只能使用高斯核。

bw:{‘scott’ | ‘silverman’ | scalar | pair of scalars },可选参数

用于确定双变量图的每个维的核大小、标量因子或标量的参考方法的名称。需要注意的是底层的计算库对此参数有不同的交互:statsmodels直接使用它,而scipy将其视为数据标准差的缩放因子。

gridsize:整型数据,可选参数。

评估网格中的离散点数。

cut:标量,可选参数。

绘制估计值以从极端数据点切割* bw。

clip:一对标量,可选参数。

用于拟合KDE图的数据点的上下限值。可以为双变量图提供一对(上,下)边界。

legend:布尔值,可选参数。

如果为True,为绘制的图像添加图例或者标记坐标轴。

cumulative:布尔值,可选参数。

如果为True,则绘制kde估计图的累积分布。

shade_lowest:布尔值,可选参数。

如果为True,则屏蔽双变量KDE图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时,可将此参数设置为“False”。

cbar:布尔值,可选参数。

如果为True并绘制双变量KDE图,为绘制的图像添加颜色条。

cbar_ax:matplotlib axes,可选参数。

用于绘制颜色条的坐标轴,若为空,就在主轴绘制颜色条。

cbar_kws:字典,可选参数。

fig.colorbar()的关键字参数。

ax:matplotlib axes,可选参数。

要绘图的坐标轴,若为空,则使用当前轴。

kwargs:键值对

其他传递给plt.plot()plt.contour {f}的关键字参数,具体取决于是绘制单变量还是双变量图。

返回值:ax:matplotlib Axes

绘图的坐标轴。

另请参见

distplot

灵活绘制单变量观测值分布图。

jointplot

绘制一个具有双变量和边缘分布的联合数据集。

范例

绘制一个简单的单变量分布:

  1. >>> import numpy as np; np.random.seed(10)
  2. >>> import seaborn as sns; sns.set(color_codes=True)
  3. >>> mean, cov = [0, 2], [(1, .5), (.5, 1)]
  4. >>> x, y = np.random.multivariate_normal(mean, cov, size=50).T
  5. >>> ax = sns.kdeplot(x)

http://seaborn.pydata.org/_images/seaborn-kdeplot-1.png

在密度曲线下使用不同的颜色着色:

  1. >>> ax = sns.kdeplot(x, shade=True, color="r")

http://seaborn.pydata.org/_images/seaborn-kdeplot-2.png

绘制一个双变量分布:

  1. >>> ax = sns.kdeplot(x, y)

http://seaborn.pydata.org/_images/seaborn-kdeplot-3.png

使用填充轮廓:

  1. >>> ax = sns.kdeplot(x, y, shade=True)

http://seaborn.pydata.org/_images/seaborn-kdeplot-4.png

使用更多的轮廓级别和不同的调色板:

  1. >>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d")

http://seaborn.pydata.org/_images/seaborn-kdeplot-5.png

使用窄带宽:

  1. >>> ax = sns.kdeplot(x, bw=.15)

http://seaborn.pydata.org/_images/seaborn-kdeplot-6.png

在纵轴上绘制密度分布:

  1. >>> ax = sns.kdeplot(y, vertical=True)

http://seaborn.pydata.org/_images/seaborn-kdeplot-7.png

将密度曲线限制在数据范围内:

  1. >>> ax = sns.kdeplot(x, cut=0)

http://seaborn.pydata.org/_images/seaborn-kdeplot-8.png

为轮廓添加一个颜色条:

  1. >>> ax = sns.kdeplot(x, y, cbar=True)

http://seaborn.pydata.org/_images/seaborn-kdeplot-9.png

为双变量密度图绘制两个阴影:

  1. >>> iris = sns.load_dataset("iris")
  2. >>> setosa = iris.loc[iris.species == "setosa"]
  3. >>> virginica = iris.loc[iris.species == "virginica"]
  4. >>> ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,
  5. ... cmap="Reds", shade=True, shade_lowest=False)
  6. >>> ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,
  7. ... cmap="Blues", shade=True, shade_lowest=False)

http://seaborn.pydata.org/_images/seaborn-kdeplot-10.png