核密度估計是概率論上用來估計未知的密度函數，屬于非參數檢驗，通過核密度估計圖可以比較直觀的看出樣本數據本身的分布特征

#參數如下：
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)

主要用來繪制特征變量y值的分布，看看數據符合哪種分布
用的地方不多，了解為主，不需要深入研究

只有x一個參數

import matplotlib.pyplot as plt 
import numpy as np
import pandas as pd 
import seaborn as sns 
sns.set()  #切換到sns的默認運行配置

x=np.random.randn(100)
plt.plot(x)  #這樣是無法看出分布

sns.kdeplot(x)

cumulative ：是否繪制累積分布

#是否累計
sns.kdeplot(x,cumulative=True)

shade：若為True，則在kde曲線下面的區域中進行陰影處理，color控制曲線及陰影的顏色

#是否進行陰影處理
sns.kdeplot(x,shade=True,color="g")

vertical：表示以X軸進行繪制還是以Y軸進行繪制

#y軸畫圖
sns.kdeplot(x,vertical=True)

二元kde圖像，很少使用，稍微了解一下即可

#x,y
y=np.random.randn(100)
sns.kdeplot(x,y)

#cbar：參數若為True，則會添加一個顏色棒(顏色幫在二元kde圖像中才有)
sns.kdeplot(x,y,shade=True,cbar=True)

全部代碼如下：

import matplotlib.pyplot as plt 
import numpy as np
import pandas as pd 
import seaborn as sns 
sns.set()  #切換到sns的默認運行配置

x=np.random.randn(100)
plt.plot(x)  #這樣是無法看出分布

sns.kdeplot(x)

#是否累計
sns.kdeplot(x,cumulative=True)


#是否進行陰影處理
sns.kdeplot(x,shade=True,color="g")

#y軸畫圖
sns.kdeplot(x,vertical=True)

#x,y
y=np.random.randn(100)
sns.kdeplot(x,y)

#cbar：參數若為True，則會添加一個顏色棒(顏色幫在二元kde圖像中才有)
sns.kdeplot(x,y,shade=True,cbar=True)

總結

以上是生活随笔為你收集整理的sns.kdeplot()核密度估计图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。