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。

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)

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：

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()

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。

选项一：

使用pandas数据框绘图（构建在matplotlib之上）：

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()

选项二：

使用seaborn中的distplot：

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)

也许可以试试这样的东西：

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()

您可以轻松地用不同的内核密度估计值替换gaussian_kde()。

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：

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])

此代码返回以下密度图

您可以执行以下操作：

s = np.random.normal(2, 3, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s, 30, density=True)
plt.plot(bins, 1/(3 * np.sqrt(2 * np.pi)) * np.exp( - (bins - 2)**2 / (2 * 3**2) ), 
linewidth=2, color='r')
plt.show()