Wie erstelle ich ein Dichtediagramm in matplotlib?

In RI können Sie die gewünschte Ausgabe erstellen, indem Sie Folgendes tun:

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))

In Python (mit Matplotlib) kam ich mit einem einfachen Histogramm am nächsten:

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()

Ich habe auch den Parameter normed = True ausprobiert , konnte aber nur versuchen, einen Gaußschen Wert an das Histogramm anzupassen.

Meine letzten Versuche gab es scipy.statsund gaussian_kdefolgte Beispielen im Internet, aber ich war bisher erfolglos.

Sven hat gezeigt, wie die Klasse gaussian_kdevon Scipy verwendet wird, aber Sie werden feststellen, dass sie nicht ganz so aussieht, wie Sie sie mit R generiert haben. Dies liegt daran, dass gaussian_kdeversucht wird, die Bandbreite automatisch abzuleiten . Sie können auf eine Art und Weise mit der Bandbreite spielen, indem Sie die Funktion covariance_factorder gaussian_kdeKlasse ändern . Zunächst erhalten Sie Folgendes, ohne diese Funktion zu ändern:

Wenn ich jedoch den folgenden Code verwende:

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()

Ich bekomme

Das ist ziemlich nah an dem, was Sie von R bekommen. Was habe ich getan? gaussian_kdeverwendet eine veränderbare Funktion, covariance_factorum die Bandbreite zu berechnen. Vor dem Ändern der Funktion betrug der von covariance_factor für diese Daten zurückgegebene Wert etwa 0,5. Durch Verringern wurde die Bandbreite verringert. Ich musste _compute_covariancenach dem Ändern dieser Funktion aufrufen , damit alle Faktoren korrekt berechnet wurden. Es ist keine exakte Entsprechung mit dem bw-Parameter von R, aber hoffentlich hilft es Ihnen, in die richtige Richtung zu gelangen.

Fünf Jahre später, wenn ich "wie man mit Python ein Kernel-Dichtediagramm erstellt" google, wird dieser Thread immer noch oben angezeigt!

Heutzutage ist es viel einfacher, Seaborn zu verwenden , ein Paket, das viele praktische Plotfunktionen und ein gutes Stilmanagement bietet.

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)

Option 1:

Verwenden Sie ein pandasDatenrahmen-Diagramm (das darauf aufgebaut ist 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()

Option 2:

Verwendung distplotvon 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)

Vielleicht versuchen Sie etwas wie:

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()

Sie können leicht gaussian_kde()durch eine andere Schätzung der Kerneldichte ersetzen .

Das Dichtediagramm kann auch mit matplotlib erstellt werden: Die Funktion plt.hist (data) gibt die für das Dichtediagramm erforderlichen y- und x-Werte zurück (siehe Dokumentation https://matplotlib.org/3.1.1/api/_as_gen/). matplotlib.pyplot.hist.html ). Infolgedessen erstellt der folgende Code mithilfe der matplotlib-Bibliothek ein Dichtediagramm:

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])      

Dieser Code gibt das folgende Dichtediagramm zurück