Seaborn 简明教程
Seaborn - Kernel Density Estimates
核密度估计 (KDE) 是一种估计连续随机变量的概率密度函数的方法。它用于非参数分析。
在 distplot 中将 hist 标志设置为 False 将会生成核密度估计图。
Example
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'],hist=False)
plt.show()
Fitting Parametric Distribution
distplot() 用于可视化数据集的参数分布。
Plotting Bivariate Distribution
双变量分布用于确定两个变量之间的关系。这主要涉及两个变量之间的关系,以及一个变量如何相对于另一个变量而表现。
在 seaborn 中分析双变量分布的最佳方法是使用 jointplot() 函数。
Jointplot 创建一个多面板图,其中投射了两个变量之间的双变量关系,还投射了每个变量在不同轴上的单变量分布。
Scatter Plot
散点图是可视化分布的最便捷方法,其中每个观测值通过 x 和 y 轴表示在二维图中。
Kernel Density Estimation
核密度估计是一种非参数方式,用于估计变量的分布。在 seaborn 中,我们可以使用 jointplot(). 绘制核密度估计。
将值“kde”传递给参数 kind 以绘制核图。