sns.kdeplot()核密度估计图

核密度估计是概率论上用来估计未知的密度函数，属于非参数检验，通过核密度估计图可以比较直观的看出样本数据本身的分布特征

#参数如下：
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)

主要用来绘制特征变量y值的分布，看看数据符合哪种分布
用的地方不多，了解为主，不需要深入研究

只有x一个参数

import matplotlib.pyplot as plt 
import numpy as np
import pandas as pd 
import seaborn as sns 
sns.set()  #切换到sns的默认运行配置

x=np.random.randn(100)
plt.plot(x)  #这样是无法看出分布

sns.kdeplot(x)

 

 

 cumulative ：是否绘制累积分布

#是否累计
sns.kdeplot(x,cumulative=True)

 

shade：若为True，则在kde曲线下面的区域中进行阴影处理，color控制曲线及阴影的颜色

#是否进行阴影处理
sns.kdeplot(x,shade=True,color="g")

 

 

 vertical：表示以X轴进行绘制还是以Y轴进行绘制 

#y轴画图
sns.kdeplot(x,vertical=True)

 

 

 二元kde图像，很少使用，稍微了解一下即可

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

#cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)
sns.kdeplot(x,y,shade=True,cbar=True)

 全部代码如下：

import matplotlib.pyplot as plt 
import numpy as np
import pandas as pd 
import seaborn as sns 
sns.set()  #切换到sns的默认运行配置

x=np.random.randn(100)
plt.plot(x)  #这样是无法看出分布

sns.kdeplot(x)

#是否累计
sns.kdeplot(x,cumulative=True)


#是否进行阴影处理
sns.kdeplot(x,shade=True,color="g")

#y轴画图
sns.kdeplot(x,vertical=True)

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

#cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)
sns.kdeplot(x,y,shade=True,cbar=True)