Làm thế nào để tạo một biểu đồ mật độ trong matplotlib?

Trong RI có thể tạo đầu ra mong muốn bằng cách thực hiện:

data = c(rep(1.5, 7), rep(2.5, 2), rep(3.5, 8),
         rep(4.5, 3), rep(5.5, 1), rep(6.5, 8))
plot(density(data, bw=0.5))

Trong python (với matplotlib), điều gần nhất tôi nhận được là với một biểu đồ đơn giản:

import matplotlib.pyplot as plt
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
plt.hist(data, bins=6)
plt.show()

Tôi cũng đã thử tham số Normed = True nhưng không thể nhận được gì khác ngoài việc cố gắng điều chỉnh một gaussian vào biểu đồ.

Những nỗ lực mới nhất của tôi đã diễn ra scipy.statsvà gaussian_kdetheo các ví dụ trên web, nhưng cho đến nay tôi vẫn chưa thành công.

Sven đã chỉ ra cách sử dụng lớp gaussian_kdetừ Scipy, nhưng bạn sẽ nhận thấy rằng nó trông không giống với những gì bạn đã tạo với R. Điều này là do gaussian_kdecố gắng suy ra băng thông tự động. Bạn có thể chơi với băng thông theo một cách nào đó bằng cách thay đổi chức năng covariance_factorcủa gaussian_kdelớp. Đầu tiên, đây là những gì bạn nhận được mà không cần thay đổi chức năng đó:

Tuy nhiên, nếu tôi sử dụng mã sau:

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = gaussian_kde(data)
xs = np.linspace(0,8,200)
density.covariance_factor = lambda : .25
density._compute_covariance()
plt.plot(xs,density(xs))
plt.show()

tôi có

khá gần với những gì bạn nhận được từ R. Tôi đã làm gì? gaussian_kdesử dụng một hàm có thể thay đổi covariance_factorđể tính toán băng thông của nó. Trước khi thay đổi hàm, giá trị được trả về bởi covariance_factor cho dữ liệu này là khoảng 0,5. Hạ thấp điều này làm giảm băng thông. Tôi đã phải gọi _compute_covariancesau khi thay đổi hàm đó để tất cả các yếu tố sẽ được tính toán chính xác. Nó không phải là sự tương ứng chính xác với tham số bw từ R, nhưng hy vọng nó sẽ giúp bạn đi đúng hướng.

Năm năm sau, khi tôi Google "cách tạo biểu đồ mật độ nhân bằng python", luồng này vẫn hiển thị ở trên cùng!

Ngày nay, một cách dễ dàng hơn nhiều để làm điều này là sử dụng seaborn , một gói cung cấp nhiều chức năng vẽ biểu đồ tiện lợi và quản lý kiểu tốt.

import numpy as np
import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.set_style('whitegrid')
sns.kdeplot(np.array(data), bw=0.5)

Lựa chọn 1:

Sử dụng pandasbiểu đồ khung dữ liệu (được xây dựng trên đầu trang matplotlib):

import pandas as pd
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
pd.DataFrame(data).plot(kind='density') # or pd.Series()

Lựa chọn 2:

Sử dụng distplotcủa seaborn:

import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.distplot(data, hist=False)

Có thể thử một cái gì đó như:

import matplotlib.pyplot as plt
import numpy
from scipy import stats
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = stats.kde.gaussian_kde(data)
x = numpy.arange(0., 8, .1)
plt.plot(x, density(x))
plt.show()

Bạn có thể dễ dàng thay thế gaussian_kde()bằng một ước tính mật độ nhân khác.

Biểu đồ mật độ cũng có thể được tạo bằng cách sử dụng matplotlib: Hàm plt.hist (dữ liệu) trả về các giá trị y và x cần thiết cho biểu đồ mật độ (xem tài liệu https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). Do đó, đoạn mã sau tạo ra một biểu đồ mật độ bằng cách sử dụng thư viện matplotlib:

import matplotlib.pyplot as plt
dat=[-1,2,1,4,-5,3,6,1,2,1,2,5,6,5,6,2,2,2]
a=plt.hist(dat,density=True)
plt.close()
plt.figure()
plt.plot(a[1][1:],a[0])      

Mã này trả về biểu đồ mật độ sau