在R中,我可以通过执行以下操作创建所需的输出:
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))
在python(使用matplotlib)中,我得到的最接近的是一个简单的直方图:
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()
我还尝试了the normed=True parameter,但除了尝试将高斯拟合到直方图之外,没有得到任何结果。
我最近的尝试是围绕scipy.stats
和gaussian_kde
,遵循网络上的示例,但到目前为止还没有成功。
6条答案
按热度按时间i86rm4rw1#
5年后,当我谷歌“如何使用Python创建内核密度图”时,这个线程仍然显示在顶部!
今天,一个更简单的方法是使用seaborn,这个包提供了许多方便的绘图功能和良好的样式管理。
jk9hmnmh2#
Sven已经展示了如何使用Scipy中的
gaussian_kde
类,但是您会注意到它看起来并不像您用R生成的类。这是因为gaussian_kde
尝试自动推断带宽。您可以通过更改gaussian_kde
类的函数covariance_factor
来使用带宽。首先,这是您在不更改该函数的情况下得到的结果:但是,如果我使用以下代码:
我明白
这和你从R中得到的非常接近。我做了什么?
gaussian_kde
使用可变函数covariance_factor
来计算其带宽。在更改函数之前,covariance_factor为此数据返回的值约为0.5。降低此值会降低带宽。我必须在更改该函数后调用_compute_covariance
,以便正确计算所有因子。它与R中的bw参数并不完全对应,但希望它能帮助你找到正确的方向。eivnm1vs3#
选项一:
使用
pandas
数据框绘图(构建在matplotlib
之上):选项二:
使用
seaborn
中的distplot
:zysjyyx44#
也许可以试试这样的东西:
您可以轻松地用不同的内核密度估计值替换
gaussian_kde()
。23c0lvtd5#
也可以使用matplotlib创建密度图:函数plt.hist(data)返回密度图所需的y和x值(参见文档https://matplotlib.org/3.1.1/api/_as_gen/matplotlib.pyplot.hist.html)。因此,以下代码使用matplotlib库创建密度图:
此代码返回以下密度图
eyh26e7m6#
您可以执行以下操作: