pandas.DataFrame.plot.kde

DataFrame.plot.kde(bw_method=None, ind=None, weights=None, =**kwargs)

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。此函数使用高斯核，并包含自动带宽确定。

参数:

bw_methodstr, scalar 或 callable, optional

用于计算估计器带宽的方法。可以是 'scott'、'silverman'、标量常数或可调用对象。如果为 None（默认值），则使用 'scott'。有关更多信息，请参阅 scipy.stats.gaussian_kde。

indNumPy 数组或 int, optional

估计 PDF 的评估点。如果为 None（默认值），则使用 1000 个等距点。如果 ind 是 NumPy 数组，则在传入的点处评估 KDE。如果 ind 是整数，则使用 ind 个等距点。

weightsNumPy 数组, optional

数据点的权重。这必须与数据点的形状相同。如果为 None（默认值），则假定样本权重相等。

**kwargs

其他关键字参数记录在 DataFrame.plot() 中。

返回:

matplotlib.axes.Axes 或其 NumPy 数组

包含 KDE 图的 matplotlib 轴。

另请参阅

scipy.stats.gaussian_kde

使用高斯核表示核密度估计。这是在内部用于估计 PDF 的函数。

示例

给定从未知分布中随机采样的点 Series，使用具有自动带宽确定的 KDE 来估计其 PDF，并绘制结果，在 1000 个等距点（默认）处进行评估。

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

可以指定一个标量带宽。使用小的带宽值可能导致过拟合，而使用大的带宽值可能导致欠拟合。

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

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

最后，ind 参数决定了估计 PDF 图的评估点。

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

对于 DataFrame，它的工作方式相同。

>>> 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()

可以指定一个标量带宽。使用小的带宽值可能导致过拟合，而使用大的带宽值可能导致欠拟合。

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

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

最后，ind 参数决定了估计 PDF 图的评估点。

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