Python pandas.Series.plot.kde用法及代码示例

用法:
Series.plot.kde(bw_method=None, ind=None, **kwargs)

使用高斯核生成核密度估计图。

在统计学中，kernel density estimation (KDE) 是一种估计随机变量概率密度函数 (PDF) 的非参数方法。此函数使用高斯核并包括自动带宽确定。

bw_method：str，标量或可调用，可选: 用于计算估计器带宽的方法。这可以是‘scott’, ‘silverman’、标量常量或可调用对象。如果无(默认)，则使用‘scott’。有关详细信息，请参阅scipy.stats.gaussian_kde。
ind：NumPy 数组或 int，可选: 估计 PDF 的评估点。如果无(默认)，则使用 1000 个等距点。如果 ind 是 NumPy 数组，则在传递的点处评估 KDE。如果ind 是整数，则使用ind 等距点数。
**kwargs：: 其他关键字参数记录在 DataFrame.plot() 中。

给定从未知分布中随机采样的一系列点，使用具有自动带宽确定函数的 KDE 估计其 PDF 并绘制结果，在 1000 个等间距点处评估它们(默认)：

>>> s = pd.Series([1, 2, 2.5, 3, 3.5, 4, 5])
>>> ax = s.plot.kde()

可以指定标量带宽。使用较小的带宽值会导致 over-fitting，而使用较大的带宽值可能会导致 under-fitting：

>>> ax = s.plot.kde(bw_method=0.3)

>>> ax = s.plot.kde(bw_method=3)

最后，ind 参数确定估计 PDF 绘图的评估点：

>>> ax = s.plot.kde(ind=[1, 2, 3, 4, 5])

对于 DataFrame，它的工作方式相同：

>>> df = pd.DataFrame({
...     'x': [1, 2, 2.5, 3, 3.5, 4, 5],
...     'y': [4, 4, 4.5, 5, 5.5, 6, 6],
... })
>>> ax = df.plot.kde()

可以指定标量带宽。使用较小的带宽值会导致 over-fitting，而使用较大的带宽值可能会导致 under-fitting：

>>> ax = df.plot.kde(bw_method=0.3)

>>> ax = df.plot.kde(bw_method=3)

最后，ind 参数确定估计 PDF 绘图的评估点：

>>> ax = df.plot.kde(ind=[1, 2, 3, 4, 5, 6])

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series.plot.kde。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。