标签：模块 中比 atp 数组 alt bsp 参数表 图片 als
seaborn是python中基于Matplotlib包具有更多可视化效果和耿玉梅的可视化模块，可以说Matplotlib的封装。当我们想要探索单个或者一对数据分布上的特征时，可以使用seaborn中内置的若干函数对数据的分布进行多种多样的可视化。
对于单变量和双变量进行核密度估计，并可视化，参数表如下：
| 参数 | 说明 |
| data | 一维数组，单变量时作为唯一的量 |
| data2 | 格式同data，单变量时不输入，双变量是作为第2个输入变量 |
| shade | bool型，是否对核密度估计曲线下的面积进行色彩填充，默认为False |
| vertical | bool型，是否颠倒x-y轴位置（单变量输入时有效） |
| kernel | 字符型，核密度估计的方法，默认为‘gau’，即高斯核，且在2维变量的情况下仅支持高斯核方法 |
| legend | bool型，是否在图像上添加图例 |
| cumulative | bool型，是否绘制核密度密度估计的累计分布，默认为False |
| shade_lowest |
bool型，是否为核密度估计中最低的范围着色，主要用于在同一个坐标轴中比较多个不同分布总体，默认为True |
|
cbar |
bool型，是否在绘制二维核密度估计图时在图像右侧添加加比色卡 |
| color | 字符型，控制核密度曲线的色彩，plt.plot()中的color参数 |
| cmap | 字符型，核密度区域的递进色彩方案，同plt.plot()中的cmap参数，如‘Blues‘代表蓝色系 |
| n_levels | int型，控制核密度区间的个数，反映在图像上的闭环层数 |
import numpy as np import seaborn as sns import matplotlib.pyplot as plt sns.set(color_codes = True) %matplotlib inline mean = [0,2] cov = [(1,0.5),(0.5,1)] x,y = np.random.multivariate_normal(mean,cov,50).T
numpy.random.multivariate_normal()函数解析
#单变量 ax = sns.kdeplot(x)
Seaborn中的kdeplot、rugplot、distplot与jointplot
标签：模块 中比 atp 数组 alt bsp 参数表 图片 als
原文地址：https://www.cnblogs.com/Cheryol/p/13595563.html
