分布（二）利用python绘制密度图

HsuHeinrich

发布于 2024-02-27 17:30:19

1850

发布于 2024-02-27 17:30:19

文章被收录于专栏：HsuHeinrichHsuHeinrich

分布（二）利用python绘制密度图

密度图（Density chart）简介

密度图用于显示数据在连续数值（或时间段）的分布状况，是直方图的变种。由于密度图不受所使用分组数量的影响，所以能更好地界定分布形状。

快速绘制

基于seaborn（建议）

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 利用kdeplot函数绘制密度图
sns.kdeplot(df['sepal_width'])

plt.show()

基于matplotlib

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde

# 导入数据
df = sns.load_dataset('iris')

# 根据数据集构建密度函数
density = gaussian_kde(df['sepal_width'])
density.covariance_factor = lambda : .25
density._compute_covariance()

# 构造向量 作为x轴刻度
xs = np.linspace(1.5, 5, 200)

# 初始化
plt.figure(figsize=(8, 6))

plt.plot(xs,density(xs))
plt.show()

定制多样化的密度图

自定义密度图一般是结合使用场景对相关参数进行修改，并辅以其他的绘图知识。参数信息可以通过官网进行查看，其他的绘图知识则更多来源于实战经验，大家不妨将接下来的绘图作为一种学习经验，以便于日后总结。

seaborn主要利用kdeplot绘制密度图，可以通过seaborn.kdeplot[1]了解更多用法

修改参数

import seaborn as sns
import matplotlib.pyplot as plt

sns.set(font='SimHei', font_scale=0.8, style="darkgrid") # 解决Seaborn中文显示问题


# 导入数据
df = sns.load_dataset("iris")

# 构造子图
fig, ax = plt.subplots(1,3,constrained_layout=True, figsize=(12, 4))

# 水平密度图
ax_sub = sns.kdeplot(y=df['sepal_width'], fill=True, color="skyblue", ax=ax[0])
ax_sub.set_title('水平密度图')

# 增加阴影
ax_sub = sns.kdeplot(df['sepal_width'], fill=True, ax=ax[1])
ax_sub.set_title('增加阴影')

# 修改带宽，以突出数据分布的原始状态（避免过于平滑）
ax_sub = sns.kdeplot(df['sepal_width'], fill=True, bw_method=0.1, ax=ax[2])
ax_sub.set_title('降低带宽')


plt.show()

一图绘制多个变量

import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris')

sns.kdeplot(df['sepal_width'], fill=True, color="r", label='sepal_width')
sns.kdeplot(df['sepal_length'], fill=True, color="b", label='sepal_length')
plt.legend() 
plt.xlabel('sepal_width/sepal_length') # 修改x标签

plt.show()

# 引申-镜像密度图：可用来对比两个变量的分布

import numpy as np
from numpy import linspace
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

# 自定义数据
df = pd.DataFrame({
'var1': np.random.normal(size=1000),
'var2': np.random.normal(loc=2, size=1000) * -1
})

# 初始化
plt.rcParams["figure.figsize"]=12,8

# 绘制密度图1
sns.kdeplot(data=df, x="var1",  fill=True, alpha=1)

# 绘制密度图2
kde = gaussian_kde(df.var2)
x_range = linspace(min(df.var2), max(df.var2), len(df.var2))

# 乘以-1进行反转（绘制镜像图）
sns.lineplot(x=x_range*-1, y=kde(x_range) * -1, color='orange') 
plt.fill_between(x_range*-1, kde(x_range) * -1, color='orange')

# 轴名称   
plt.xlabel("numbers")
plt.axhline(y=0, linestyle='-',linewidth=1, color='black')


plt.show()

分组密度图

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
from plotnine.data import diamonds # dataset

# alpha：修改透明度
sns.kdeplot(data=diamonds, x="price", hue="cut", fill=True, common_norm=False, alpha=0.4)

plt.show()

# 利用FacetGrid以多网格展示

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
diamonds = sns.load_dataset('diamonds')

# 绘制网格（共用坐标轴）
g = sns.FacetGrid(diamonds, col='cut', hue='cut', col_wrap=3)
# 绘制密度图
g = g.map(sns.kdeplot,"price", cut=0, fill=True, common_norm=False, alpha=1, legend=False)
# 每个网格的标题
g = g.set_titles("{col_name}")

plt.show()

引申-绘制堆积图

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
diamonds = sns.load_dataset('diamonds')

# 绘制堆积图
sns.kdeplot(data=diamonds, x="price", hue="cut", common_norm=False, multiple="fill", alpha=1)

plt.show()