distplot与kdeplot详解

单元分布 sns.distplot()

• 直方图（hist）+内核密度函数（kde）

在seaborn中最简便查看单元分布的函数是distplot().该函数默认绘制直方图并拟合内核密度估计。通过调整参数可以分别绘制直方图，拟合内核密度图，地毯图等。

x = np.random.normal(size=100)
sns.distplot(x);

 

• 直方图

sns.distplot(x,kde=False) / plt.hist()

当绘制直方图时，你需要调整的参数是bin的数目（组数）。displot()会默认给出一个它认为比较好的组数，但是尝试不同的组数可能会揭示出数据不同的特征。
sns.displot（x,bins=20,kde=False,rug=True）

 

当绘制直方图时，最重要的参数是bin以及vertical，以确定直方图的组数和放置位置
sns.distplot(x, bins=20, kde=False, rug=True);

 

• 核密度估计

sns.distplot(x,hist=False) / sns.kdeplot(x)

核密度估计图使用的较少，但其是绘制出数据分布的有用工具，与直方图类似，KDE图以一个轴的高度为准，沿着另外的轴线编码观测密度。sns.displot(x,hist=False,rug=True)

绘制KDE图比绘制直方图要复杂得多，每个观测值首先要以该值为中心的正(高斯)曲线代替。然后各个点在加起来，计算支持网格点中每个点的密度值，然后将得到的曲线归一化，使其面积小于，即得到核密度估计图

在seaborng中也有一个函数kdeplot（），使用这个函数，我们可以得到同样的曲线，这个函数在distplot()中也被调用，但是他提供了更多更方便的借口，来进行可视化调整。
sns.kdeplot(x,shae=Ture)

参数bw(binwidth)同直方图的bin一样，控制了估算与数据间的紧密程度。与我们之前提到的内核宽度一致，默认情况下，函数会直接猜一个数据，但尝试更大或更小bw情况的，或许会更有帮助。

sns.kdeplot(x)
sns.kdeplot(x, bw=.2, label="bw: 0.2")
sns.kdeplot(x, bw=2, label="bw: 2")

使用cut参数，可以控制曲线绘制多远的极限值。然而这仅仅只是影响曲线如何绘制，并不会影响曲线本身

sns.kedplot(x,shade=True,cut=0)
sns.rugplot(x)

• 拟合参数分布

sns.distplot(x,kde=False,fit=stats,gamma)

你也可以通过使用distplot（）来拟合出一个数据集的参数分布，直观上来评估其余观测数据是否关系密切。

x = np.random.gamma(6, size=200)
sns.distplot(x, kde=False, fit=stats.gamma);