Seaborn可視化-核密度分布圖 seaborn.kdeplot

2021-01-11 騰訊網

核密度估計(kernel density estimation)是在概率論中用來估計未知的密度函數，屬於非參數檢驗方法之一。通過核密度估計圖可以比較直觀的看出數據樣本本身的分布特徵。具體用法如下。

函數原型

sns.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)

生成一組數據繪製第一張核密度分布圖

sns.set(color_codes=True)mean, cov = [0, 2], [(1, .5), (.5, 1)]x, y = np.random.multivariate_normal(mean, cov, size=50).Tax = sns.kdeplot(x)

設置顏色

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

加入y軸就變成了等高線圖

ax = sns.kdeplot(x, y)

顯示等高線陰影

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

優化參數，美化視圖

setosa = iris.loc[iris.species == "setosa"]virginica = iris.loc[iris.species == "virginica"]ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length, cmap="Reds", shade=True, shade_lowest=False)ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length, cmap="Blues", shade=True, shade_lowest=False)

以上就是核密度分布圖的分享，下期我們將分享熱力圖seaborn.heatmap

的繪製方法。

如果喜歡，請點讚和收藏，這對我非常重要，萬分感謝。

相關焦點

  • Python可視化23|seaborn.distplot單變量分布圖(直方圖|核密度圖)
    本文介紹seaborn.distplot繪製單變量分布圖（直方圖及核密度圖）。數據準備繪製直方圖hist修改直方圖hist中箱子數bins 直方圖成箱方式 繪製核密度曲線kernel density estimate (KDE)seaborn.kdeplot繪製窄寬度核密度曲線 bandwidth (bw)，控制核密度曲線胖瘦核密度曲線結合直方圖fit參數seaborn.distplot
  • 小白也能看懂的seaborn入門示例
    (核密度估計圖) 核密度估計(kernel density estimation)是在概率論中用來估計未知的密度函數，屬於非參數檢驗方法之一。通過核密度估計圖可以比較直觀的看出數據樣本本身的分布特徵。(單變量分布直方圖) 在seaborn中想要對單變量分布進行快速了解最方便的就是使用distplot()函數，默認情況下它將繪製一個直方圖，並且可以同時畫出核密度估計(KDE)。
  • 用Seaborn繪製圖表
    確保系統中安裝了必要的庫：使用conda：conda install pandasconda install matplotlibconda install seaborn使用pip：pip install pandaspip install matplotlibpip install seaborn讓我們首先導入所需的Python庫和數據集。
  • Python可視化Seaborn庫詳解——繪圖方法
    import seaborn as snsimport pandas as pdimport numpy as npdata_raw=pd.read_csv("數據源/Titanic/train.csv")df=data_raw.copy()df.columns=[x.lower() for x in df.columns]relplotrelplot函數和待會要介紹的catplot
  • 技能分享|Python數據可視化利器:Seaborn使用方法(一)
    本篇我們的主題是數據可視化的利器——seaborn庫的使用。Seaborn是基於matplotlib，在matplotlib的基礎上進行了更高級的API封裝，便於用戶可以更加簡便地做出各種有吸引力的統計圖表。
  • 14個Seaborn數據可視化圖
    數據可視化在數據挖掘中起著非常重要的作用。各種數據科學家花費了他們的時間通過可視化來探索數據。為了加快這一進程，我們需要有合適的工具。沒有規劃的情況下，資源也無法轉化為有價值的商品。因此，我希望本文能夠為您提供關於所有可視化方法的架構。目錄簡介了解你的數據分布曲線a. 直方圖b. 聯合圖c. 配對圖d. Rug圖分布圖a. 條形圖b.
  • Python數據可視化:用Seaborn繪製高端玩家版散點圖
    如果數據中有多個組，則可能需要以不同顏色可視化每個組。　　今天我們畫普通散點圖、邊際分布線性回歸散點圖、散點圖矩陣、帶線性回歸最佳擬合線的散點圖　　本文示例多是來自官方文檔，這裡我只是做一下整理，讓大家知道散點圖的不同玩法，不要再繪製老掉牙的普通玩家版散點圖了。
  • 用Python演繹5種常見可視化視圖
    同樣，按照變量的個數，我們可以把可視化視圖劃分為單變量分析和多變量分析。可視化的視圖可以說是分門別類，多種多樣，今天我主要介紹常用的5種視圖，包括了散點圖、折線圖、直方圖、熱力圖、成對關係。散點圖的英文叫做scatter plot，它將兩個變量的值顯示在二維坐標中，非常適合展示兩個變量之間的關係。
  • python可視化
    Boxplot可以繪製調用Series.box.plot()和DataFrame.box.plot()或DataFrame.boxplot()來可視化每列中值的分布。調節bins~sns.distplot(x, kde=True, bins=20)想配合著實例一起看？sns.distplot(x, kde=False, bins=20, rug=True)配合著實例一起看有什麼好處？指導你設置合適的bins。核密度估計通過觀測估計概率密度函數的形狀。有什麼用呢？
  • python可視化(三)seaborn單變量分析繪圖(直方圖、條形圖)
    在前面兩篇文章中，我們已經學習了seaborn繪圖的風格和顏色設置，從本篇文章開始，我們開始選一些有意思的數據集進行各種圖形繪製，在實踐中感受數據可視化的魅力。本篇文章主要講2個繪圖函數，那就是繪製直方圖的函數seaborn,distplot()和繪製條形圖的函數seaborn.barplot()(關於直方圖和條形圖的區別請查閱前面matplotlib系列中的相關文章)。處理繪圖數據今天我們用直方圖和條形圖展示下NBA2017-2018賽季各球員薪資情況。
  • python數據可視化(一)seaborn介紹及繪圖風格設置
    seaborn整體布局及風格設置seaborn調色板及顏色設置seaborn單變量分析繪圖（直方圖、條形圖）seaborn回歸分析繪圖seaborn繪製散點圖（分布散點圖、分簇散點圖）seaborn繪製盒圖、小提琴圖seaborn繪製熱度圖seaborn多圖繪製及facetgrid使用方法對於seaborn庫的內容，拆分比較細，這樣做的目的是一是想每篇文章具有一定的針對性，而是想看每篇文章的時間不要太長
  • 韋編|五分鐘學會Seaborn常用圖表繪製
    Seaborn是基於matplotlib的Python數據可視化庫。它提供了一個高級界面，用於繪製引人入勝且內容豐富的統計圖形。使用Seaborn可以輕鬆查看多個變量之間的關係，分類顯示觀察結果或統計匯總信息，還可以隨意設置顏色，是數據分析的必備工具之一。Seaborn 根據數據特徵分為五種類型：關係圖、分類圖、分布圖、回歸圖、矩陣圖。五個類型共21種圖。
  • 50種常用的matplotlib可視化,再也不用擔心模型背著我亂跑了
    如下所示為 7 種不同類型的可視化圖表：協相關性主要描述的是不同變量之間的相互關係；偏差主要展現出不同變量之間的差別；排序主要是一些有序的條形圖、散點圖或斜線圖等；分布就是繪製概率與統計中的分布圖，包括離散型的直方圖和連續型的概率密度分布圖等。後面還有變量的時序變化圖和類別圖等常見的可視化製圖類別。
  • Seaborn可視化-箱型圖 seaborn.boxplot
    函數原型 seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=
  • 掌握Seaborn的三分之一:使用relplot進行統計繪圖
    介紹本文的目標是讓你對使用Seaborn的relplot()函數繪製統計圖有一定的了解。當我開始學習數據可視化時，我第一次被介紹到Matplotlib。它是一個如此巨大的庫，你幾乎可以看到任何與數據相關的東西。正是這種廣闊的空間，使人們能夠以多種方式創造一個單一的圖表。
  • 如何用pandas更快地進行數據可視化?
    堆疊柱狀圖，添加一個參數即可df.plot.barh(stacked=True)堆疊面積圖df.plot.area(stacked=True,alpha = 0.9)密度估計圖df.plot.kde(stacked=True, bins=20)df.plot.hist(alpha=0.5)當然包括什麼箱線圖、散點圖等常用圖形，都可以通過一行代碼輕鬆搞定df.plot.box()df['value'].plot()df.plot.scatter()data.plot.hexbin(x='A'
  • 使用Pandas,Seaborn和Plotly繪製漂亮的圖表
    當我從事地理空間可視化工作時遇到了Bokeh。 但是，我很快意識到，雖然Bokeh與眾不同，但它與matplotlib一樣複雜。Plotly我確實在一段時間前嘗試了plot.ly（從現在開始被稱為plotly）。 再一次，致力於地理空間數據的可視化。 那時，它似乎比前面提到的庫還要不靠譜。需要一個帳戶，必須通過筆記本電腦登錄，然後才能使所有內容在線呈現。
  • Seaborn的6個簡單技巧
    讓我們使用Seaborn內置的penguins數據集作為樣本數據：# 導入包import matplotlib.pyplot as pltimport seaborn as sns# 導入數據df = sns.load_dataset('penguins').rename(columns={'sex': 'gender'})df我們將使用默認圖表設置構建標準散點圖
  • Matplotlib+Seaborn:一文掌握Python可視化庫的兩大王者
    該方法用可視化方法對數據分組，十分簡單便捷。Seabornseaborn包是基於Matplotlib庫開發的。它用於創建更具吸引力、信息量更大的統計圖形。雖然seaborn與Matplotlib不一樣，但它創建的圖像一樣具有吸引力。儘管matplotlib表現不俗，但我們總希望做得更好。運行下面的代碼塊以導入seaborn庫，並創建先前的散點圖，來看看會出現什麼。