seaborn.kdeplot
参数::一维阵列
**data2:一维阵列,可选。
第二输入数据。如果存在,将估计双变量KDE。
shade
:布尔值,可选参数。
如果为True,则在KDE曲线下方的区域中增加阴影(或者在数据为双变量时使用填充的轮廓绘制)。
vertical
:布尔值,可选参数。
如果为True,密度图将显示在x轴。
kernel
:{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ },可选参数
要拟合的核的形状代码,双变量KDE只能使用高斯核。
bw
:{‘scott’ | ‘silverman’ | scalar | pair of scalars },可选参数
用于确定双变量图的每个维的核大小、标量因子或标量的参考方法的名称。需要注意的是底层的计算库对此参数有不同的交互:
statsmodels
直接使用它,而scipy
将其视为数据标准差的缩放因子。
gridsize
:整型数据,可选参数。
cut
:标量,可选参数。
绘制估计值以从极端数据点切割* bw。
clip
:一对标量,可选参数。
用于拟合KDE图的数据点的上下限值。可以为双变量图提供一对(上,下)边界。
legend
:布尔值,可选参数。
如果为True,为绘制的图像添加图例或者标记坐标轴。
如果为True,则绘制kde估计图的累积分布。
shade_lowest
:布尔值,可选参数。
如果为True,则屏蔽双变量KDE图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时,可将此参数设置为“False”。
:布尔值,可选参数。
cbar_ax
:matplotlib axes,可选参数。
用于绘制颜色条的坐标轴,若为空,就在主轴绘制颜色条。
cbar_kws
:字典,可选参数。
fig.colorbar()
的关键字参数。
ax
:matplotlib axes,可选参数。
要绘图的坐标轴,若为空,则使用当前轴。
kwargs
:键值对
其他传递给
plt.plot()
或plt.contour {f}
的关键字参数,具体取决于是绘制单变量还是双变量图。
返回值:ax
:matplotlib Axes
绘图的坐标轴。
另请参见
灵活绘制单变量观测值分布图。
绘制一个具有双变量和边缘分布的联合数据集。
绘制一个简单的单变量分布:
>>> import numpy as np; np.random.seed(10)
>>> import seaborn as sns; sns.set(color_codes=True)
>>> x, y = np.random.multivariate_normal(mean, cov, size=50).T
>>> ax = sns.kdeplot(x)
在密度曲线下使用不同的颜色着色:
绘制一个双变量分布:
使用填充轮廓:
>>> ax = sns.kdeplot(x, y, shade=True)
使用更多的轮廓级别和不同的调色板:
>>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d")
使用窄带宽:
在纵轴上绘制密度分布:
>>> ax = sns.kdeplot(y, vertical=True)
将密度曲线限制在数据范围内:
>>> ax = sns.kdeplot(x, cut=0)
为轮廓添加一个颜色条:
为双变量密度图绘制两个阴影:
>>> iris = sns.load_dataset("iris")
>>> virginica = iris.loc[iris.species == "virginica"]
>>> ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,
... cmap="Reds", shade=True, shade_lowest=False)
... cmap="Blues", shade=True, shade_lowest=False)