Як створити графік щільності в matplotlib?

У RI можна створити бажаний вихід, виконавши:

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))

У python (з matplotlib) найближче мені було з простою гістограмою:

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()

Я також спробував параметр normed = True, але не міг отримати нічого іншого, крім спроби приєднати гаусса до гістограми.

Мої останні спроби були навколо, scipy.statsі gaussian_kde, наслідуючи приклади в Інтернеті, але я поки що невдалий.

Свен показав, як користуватися класом gaussian_kdeвід Scipy, але ви помітите, що він не схожий на те, що ви створили з R. Це тому, що gaussian_kdeнамагається автоматично провести смугу пропускання. Ви можете грати з пропускною спроможністю таким чином, змінюючи функцію covariance_factorз gaussian_kdeкласу. По-перше, ось що ви отримуєте, не змінюючи цю функцію:

Однак якщо я використовую такий код:

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()

я отримав

що досить близько до того, що ви отримуєте від Р. Що я зробив? gaussian_kdeвикористовує змінну функцію covariance_factorдля обчислення її пропускної здатності. Перед зміною функції значення, повернене коваріацією_фактор для цих даних, становило близько .5. Понизивши це, зменшилася пропускна здатність. Мені довелося зателефонувати _compute_covarianceпісля зміни цієї функції, щоб усі фактори були обчислені правильно. Це не точне відповідність параметру bw від R, але, сподіваємось, це допоможе вам дістатись у правильному напрямку.

Через п'ять років, коли я Google "як створити графік щільності ядра за допомогою python", ця нитка все ще з’являється вгорі!

Сьогодні набагато простішим способом зробити це - використання морського немовляти , пакета, який забезпечує безліч зручних функцій побудови графіків та гарне управління стилем.

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)

Варіант 1:

Використовуйте pandasграфік даних фрейму (побудований зверху 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()

Варіант 2:

Використання distplotв 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)

Можливо, спробуйте щось на кшталт:

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()

Ви можете легко замінити gaussian_kde()на іншу оцінку щільності ядра.

Діаграма щільності також може бути створена за допомогою matplotlib: Функція plt.hist (дані) повертає значення y та x, необхідні для графіку щільності (див. Документацію https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). У результаті наступний код створює графік щільності за допомогою бібліотеки 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])      

Цей код повертає наступний графік щільності