pandas.Series.plot .密度#

系列.情节.密度( 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：

也可以看看

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])