如何创建密度图

Question

在 RI 中，可以通过执行以下操作来创建所需的输出：

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))

在 python（使用 matplotlib）中，我得到的最接近的是一个简单的直方图：

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()

我也尝试了 normed=True 参数，但除了尝试将高斯拟合到直方图之外，无法获得任何其他信息。

我最近的尝试是围绕 scipy.stats 和 gaussian_kde 进行的，遵循网络上的示例，但到目前为止我还没有成功。

Answer 1

五年后，当我谷歌“如何使用 python 创建核密度图”时，这个线程仍然出现在顶部！

今天，更简单的方法是使用 seaborn，这个包提供了许多方便的绘图功能和良好的功能。风格管理。

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)

Answer 2

Sven 展示了如何使用 Scipy 中的 gaussian_kde 类，但您会注意到它看起来不太像您使用 R 生成的类。这是因为 gaussian_kde 尝试自动推断带宽。您可以通过更改 gaussian_kde 类的函数 covariance_factor 来调整带宽。首先，这是在不更改该函数的情况下得到的结果：

但是，如果我使用以下代码：

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()

我得到

< img src="https://i.sstatic.net/kPXVJ.png" alt="alt text">

这与您从 R 获得的内容非常接近。我做了什么？ gaussian_kde 使用可变函数 covariance_factor 来计算其带宽。在更改函数之前，该数据的 covariance_factor 返回的值约为 0.5。降低此值会降低带宽。更改该函数后，我必须调用_compute_covariance，以便正确计算所有因子。它与 R 中的 bw 参数并不完全对应，但希望它可以帮助您找到正确的方向。

Answer 3

选项 1：

使用 pandas 数据框图（构建于 matplotlib 之上）：

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()

选项 2：< /strong>

使用 seaborn 的 distplot：

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)

Answer 4

也许尝试类似的方法：

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()

您可以轻松地用不同的核密度估计替换 gaussian_kde() 。

Answer 5

密度图也可以使用 matplotlib 创建：
函数 plt.hist(data) 返回密度图所需的 y 和 x 值（请参阅文档 https://matplotlib.org/3.1.1/api/_as_gen/matplotlib.pyplot.hist.html）。
因此，以下代码使用 matplotlib 库创建密度图：

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])      

此代码返回以下密度图

Answer 6

你可以这样做：

s = np.random.normal(2, 3, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s, 30, density=True)
plt.plot(bins, 1/(3 * np.sqrt(2 * np.pi)) * np.exp( - (bins - 2)**2 / (2 * 3**2) ), 
linewidth=2, color='r')
plt.show()