pandas.DataFrame.plot.kde #

数据框.plot。kde ( bw_method = None , ind = None , ** kwargs ) [来源] #

使用高斯核生成核密度估计图。

在统计学中,核密度估计(KDE)是一种估计随机变量概率密度函数(PDF)的非参数方法。该功能使用高斯核并包括自动带宽确定。

参数
bw_method str,标量或可调用,可选

用于计算估计器带宽的方法。这可以是“scott”、“silverman”、标量常量或可调用的。如果无(默认),则使用“scott”。请参阅scipy.stats.gaussian_kde获取更多信息。

ind NumPy 数组或 int,可选

估计 PDF 的评估点。如果无(默认),则使用 1000 个等距点。如果ind是 NumPy 数组,则在传递的点处评估 KDE。如果ind是整数, 则使用等距点的ind个数。

**夸格

其他关键字参数记录在 中 DataFrame.plot()

返回
matplotlib.axes.Axes 或 numpy.ndarray 其中

也可以看看

scipy.stats.gaussian_kde

使用高斯核的核密度估计的表示。这是内部用于估计 PDF 的函数。

例子

给定从未知分布中随机采样的一系列点,使用具有自动带宽确定功能的 KDE 估计其 PDF 并绘制结果,在 1000 个等距点(默认)处对其进行评估:

>>> s = pd.Series([1, 2, 2.5, 3, 3.5, 4, 5])
>>> ax = s.plot.kde()

可以指定标量带宽。使用较小的带宽值可能会导致过度拟合,而使用较大的带宽值可能会导致欠拟合:

>>> ax = s.plot.kde(bw_method=0.3)
>>> ax = s.plot.kde(bw_method=3)

最后,ind参数确定估计 PDF 绘图的评估点:

>>> ax = s.plot.kde(ind=[1, 2, 3, 4, 5])

对于 DataFrame,其工作方式相同:

>>> df = pd.DataFrame({
...     'x': [1, 2, 2.5, 3, 3.5, 4, 5],
...     'y': [4, 4, 4.5, 5, 5.5, 6, 6],
... })
>>> ax = df.plot.kde()

可以指定标量带宽。使用较小的带宽值可能会导致过度拟合,而使用较大的带宽值可能会导致欠拟合:

>>> ax = df.plot.kde(bw_method=0.3)
>>> ax = df.plot.kde(bw_method=3)

最后,ind参数确定估计 PDF 绘图的评估点:

>>> ax = df.plot.kde(ind=[1, 2, 3, 4, 5, 6])