Python可视化 | Seaborn包—kdeplot和distplot

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib
import matplotlib.pyplot as plt
from scipy.stats import skew
from scipy.stats.stats import pearsonr
%config InlineBackend.figure_format = ‘retina‘
%matplotlib inline

一、kdeplot(核密度估计图)

核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。

x=np.random.randn(100)  #随机生成100个符合正态分布的数

sns.kdeplot(x)

sns.kdeplot(x,cut=0) #cut：参数表示绘制的时候，切除带宽往数轴极限数值的多少(默认为3)

sns.kdeplot(x,cumulative=True)#cumulative ：是否绘制累积分布

sns.kdeplot(x,cumulative = True,shade=True,color = ‘r‘)
#shade：若为True，则在kde曲线下面的区域中进行阴影处理，color控制曲线及阴影的颜色

sns.kdeplot(x,cumulative = True,shade=True,color = ‘r‘,vertical = True)#vertical：表示以X轴进行绘制还是以Y轴进行绘制

 二元Kde图像

y=np.random.randn(100)
sns.kdeplot(x,y,shade=True，cbar = True)#cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)

二、distplot()

displot()集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途。

sns.distplot(x,color="g")

通过hist和kde参数调节是否显示直方图及核密度估计(默认hist,kde均为True)

fig,axes = plt.subplots(1,3)
sns.distplot(x,ax = axes[0])                #左图 参数ax= 把图形放在哪个框里
sns.distplot(x,hist = False ,ax = axes[1]) #中图
sns.distplot(x,kde = False, ax = axes[2])  #右图

 bins：int或list，控制直方图的划分

fig,axes = plt.subplots(1,2)
sns.distplot(x,kde = False,bins = 20,ax = axes[0]) #kde=False 纵轴表示的时频数不再是频率
sns.distplot(x,kde = False,bins = [x for x in range(4)],ax = axes[1])

 rug：控制是否生成观测数值的小细条

fig,axes = plt.subplots(1,2)
sns.distplot(x,rug=True,ax = axes[0]) #左图
sns.distplot(x,ax = axes[1])           #右图

 fit：控制拟合的参数分布图形，能够直观地评估它与观察数据的对应关系(黑色线条为确定的分布)

from scipy.stats import *
sns.distplot(x,hist = False,fit =norm) #fit = norm 拟合正态分布

？ hist_kws, kde_kws, rug_kws, fit_kws参数接收字典类型，可以自行定义更多高级的样式

sns.distplot(x,kde_kws={"label":"KDE"},vertical=True,color="y")

 ？norm_hist：若为True, 则直方图高度显示密度而非计数(含有kde图像中默认为True)

fig,axes=plt.subplots(1,2)
sns.distplot(x,norm_hist=True,kde=False,ax=axes[0]) #左图
sns.distplot(x,kde=False,ax=axes[1]) #右图