Matplotlib 密度图
Suraj Joshi
2023年1月30日
2020年11月24日
-
使用
scipy.stats
模块中的gaussian_kde()
方法生成密度图 -
使用
seaborn
包中的kdeplot()
方法生成密度图 -
使用
distplot()
方法从seaborn
包中生成密度图 -
在
pandas.DataFrame.plot()
方法中设置kind='density'
来生成密度图
为了使用 Python 生成密度图,我们首先使用 scipy.stats
模块中的 gaussian_kde()
方法从给定数据中估计密度函数。然后我们绘制密度函数,生成密度图。另外,我们也可以使用 seaborn
包中的 kdeplot()
或者在 pandas.DataFrame.plot()
方法中设置 kind='density'
来生成密度图。
使用 scipy.stats
模块中的 gaussian_kde()
方法生成密度图
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()
输出:
在这里,我们首先使用 gaussian_kde()
方法估计给定数据的密度函数。然后,我们用 plot()
方法绘制出从 -2
到 10
的值的函数。
生成的密度图足够是不精确的,这是由 gaussian_kde
函数自动设置带宽而导致的。为了设置带宽,我们可以使用 gaussian_kde
类的 covariance_factor
函数。然后我们调用 _compute_covariance
方法,使所有的因子都能正确计算,从而生成精确的图。
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()
输出:
使用 seaborn
包中的 kdeplot()
方法生成密度图
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()
输出:
这样,我们只需将数据传入 kdeplot()
方法就可以生成密度图。
使用 distplot()
方法从 seaborn
包中生成密度图
我们也可以使用 seaborn
包中的 distplot()
方法,并设置 hist=False
来生成密度图。
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()
输出:
在 pandas.DataFrame.plot()
方法中设置 kind='density'
来生成密度图
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()
输出:
Author: Suraj Joshi
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn