标签：产品质量 通过 com col 评估 dep port import bin
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
Python可视化 | Seaborn包—kdeplot和distplot
标签：产品质量 通过 com col 评估 dep port import bin
原文地址：https://www.cnblogs.com/jiaxinwei/p/11986590.html
