Matplotlib'de yoğunluk grafiği nasıl oluşturulur?

RI'da aşağıdakileri yaparak istenen çıktıyı oluşturabilirsiniz:

data = c(rep(1.5, 7), rep(2.5, 2), rep(3.5, 8),
         rep(4.5, 3), rep(5.5, 1), rep(6.5, 8))
plot(density(data, bw=0.5))

Python'da (matplotlib ile) elde ettiğim en yakın şey basit bir histogramdı:

import matplotlib.pyplot as plt
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
plt.hist(data, bins=6)
plt.show()

Ben de denedim Normlu = True parametresini , ancak histograma bir gaussian yerleştirmeye çalışmaktan başka bir şey elde edemedim.

Son girişimlerim ortalıktaydı scipy.statsve gaussian_kdeweb'deki örnekleri takip ediyordu , ancak şimdiye kadar başarısız oldum.

Sven, gaussian_kdeScipy'den sınıfın nasıl kullanılacağını gösterdi, ancak bunun R ile oluşturduğunuza pek benzemediğini fark edeceksiniz. Bunun nedeni gaussian_kde, bant genişliğini otomatik olarak çıkarmaya çalışmasıdır. Sen fonksiyonunu değiştirerek şekilde bant genişliği ile oynayabilir covariance_factorait gaussian_kdesınıfına. İlk olarak, işte bu işlevi değiştirmeden elde edeceğiniz şey:

Ancak, aşağıdaki kodu kullanırsam:

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = gaussian_kde(data)
xs = np.linspace(0,8,200)
density.covariance_factor = lambda : .25
density._compute_covariance()
plt.plot(xs,density(xs))
plt.show()

alırım

bu da R'den aldığınıza oldukça yakın. Ne yaptım? gaussian_kdecovariance_factorbant genişliğini hesaplamak için değiştirilebilir bir işlev kullanır . İşlevi değiştirmeden önce, bu veriler için kovaryans_faktörü tarafından döndürülen değer yaklaşık .5 idi. Bunu düşürmek bant genişliğini düşürdü. _compute_covarianceTüm faktörlerin doğru hesaplanması için bu işlevi değiştirdikten sonra aramak zorunda kaldım . Bu, R'deki bw parametresiyle tam bir uyuşma değildir, ancak umarım doğru yöne gitmenize yardımcı olur.

Beş yıl sonra, "python kullanarak bir çekirdek yoğunluğu grafiği nasıl oluşturulur" Google'da Google'da bu iş parçacığı hala üstte görünüyor!

Bugün, bunu yapmanın çok daha kolay bir yolu , birçok uygun çizim işlevi ve iyi stil yönetimi sağlayan bir paket olan seaborn'u kullanmaktır .

import numpy as np
import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.set_style('whitegrid')
sns.kdeplot(np.array(data), bw=0.5)

Seçenek 1:

pandasDataframe grafiğini kullanın (üzerine inşa edilir matplotlib):

import pandas as pd
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
pd.DataFrame(data).plot(kind='density') # or pd.Series()

Seçenek 2:

Kullanım distplotait seaborn:

import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.distplot(data, hist=False)

Belki şöyle bir şey deneyin:

import matplotlib.pyplot as plt
import numpy
from scipy import stats
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = stats.kde.gaussian_kde(data)
x = numpy.arange(0., 8, .1)
plt.plot(x, density(x))
plt.show()

Kolayca gaussian_kde()farklı bir çekirdek yoğunluğu tahminiyle değiştirebilirsiniz.

Yoğunluk grafiği matplotlib kullanılarak da oluşturulabilir: plt.hist (data) fonksiyonu, yoğunluk grafiği için gerekli y ve x değerlerini döndürür ( https://matplotlib.org/3.1.1/api/_as_gen/ belgelerine bakın. matplotlib.pyplot.hist.html ). Sonuç olarak, aşağıdaki kod matplotlib kitaplığını kullanarak bir yoğunluk grafiği oluşturur:

import matplotlib.pyplot as plt
dat=[-1,2,1,4,-5,3,6,1,2,1,2,5,6,5,6,2,2,2]
a=plt.hist(dat,density=True)
plt.close()
plt.figure()
plt.plot(a[1][1:],a[0])      

Bu kod aşağıdaki yoğunluk grafiğini döndürür