Matplotlib 密度圖
Suraj Joshi
2023年1月30日
2020年11月24日
-
使用
scipy.stats模組中的gaussian_kde()方法生成密度圖 -
使用
seaborn包中的kdeplot()方法生成密度圖 -
使用
distplot()方法從seaborn包中生成密度圖 -
在
pandas.DataFrame.plot()方法中設定kind='density'來生成密度圖
為了使用 Python 生成密度圖，我們首先使用 scipy.stats 模組中的 gaussian_kde() 方法從給定資料中估計密度函式。然後我們繪製密度函式，生成密度圖。另外，我們也可以使用 seaborn 包中的 kdeplot() 或者在 pandas.DataFrame.plot() 方法中設定 kind='density'來生成密度圖。
使用 scipy.stats 模組中的 gaussian_kde() 方法生成密度圖
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
density = kde.gaussian_kde(data)
x = np.linspace(-2,10,300)
y=density(x)
plt.plot(x, y)
plt.title("Density Plot of the data")
plt.show()
輸出：
在這裡，我們首先使用 gaussian_kde() 方法估計給定資料的密度函式。然後，我們用 plot() 方法繪製出從 -2 到 10 的值的函式。
生成的密度圖足夠是不精確的，這是由 gaussian_kde 函式自動設定頻寬而導致的。為了設定頻寬，我們可以使用 gaussian_kde 類的 covariance_factor 函式。然後我們呼叫 _compute_covariance 方法，使所有的因子都能正確計算，從而生成精確的圖。
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
prob_density = kde.gaussian_kde(data)
prob_density.covariance_factor = lambda : .25
prob_density._compute_covariance()
x = np.linspace(-2,10,300)
y=prob_density(x)
plt.plot(x, y)
plt.title("Density Plot of the data")
plt.show()
輸出：
使用 seaborn 包中的 kdeplot() 方法生成密度圖
import matplotlib.pyplot as plt
import seaborn as sns
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
sns.kdeplot(data,bw=0.25)
plt.show()
輸出：
這樣，我們只需將資料傳入 kdeplot() 方法就可以生成密度圖。
使用 distplot() 方法從 seaborn 包中生成密度圖
我們也可以使用 seaborn 包中的 distplot() 方法，並設定 hist=False 來生成密度圖。
import matplotlib.pyplot as plt
import seaborn as sns
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
sns.distplot(data,hist=False)
plt.show()
輸出：
在 pandas.DataFrame.plot() 方法中設定 kind='density'來生成密度圖
import pandas as pd
import matplotlib.pyplot as plt
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
df=pd.DataFrame(data)
df.plot(kind='density')
plt.show()
輸出：
Author: Suraj Joshi
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn