Python pandas.Series.plot.kde用法及代碼示例

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

使用高斯核生成核密度估計圖。

在統計學中，kernel density estimation (KDE) 是一種估計隨機變量概率密度函數 (PDF) 的非參數方法。此函數使用高斯核並包括自動帶寬確定。

bw_method：str，標量或可調用，可選: 用於計算估計器帶寬的方法。這可以是‘scott’, ‘silverman’、標量常量或可調用對象。如果無(默認)，則使用‘scott’。有關詳細信息，請參閱scipy.stats.gaussian_kde。
ind：NumPy 數組或 int，可選: 估計 PDF 的評估點。如果無(默認)，則使用 1000 個等距點。如果 ind 是 NumPy 數組，則在傳遞的點處評估 KDE。如果ind 是整數，則使用ind 等距點數。
**kwargs：: 其他關鍵字參數記錄在 DataFrame.plot() 中。

給定從未知分布中隨機采樣的一係列點，使用具有自動帶寬確定函數的 KDE 估計其 PDF 並繪製結果，在 1000 個等間距點處評估它們(默認)：

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

可以指定標量帶寬。使用較小的帶寬值會導致 over-fitting，而使用較大的帶寬值可能會導致 under-fitting：

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

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

最後，ind 參數確定估計 PDF 繪圖的評估點：

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

對於 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()

可以指定標量帶寬。使用較小的帶寬值會導致 over-fitting，而使用較大的帶寬值可能會導致 under-fitting：

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

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

最後，ind 參數確定估計 PDF 繪圖的評估點：

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

相關用法

注：本文由純淨天空篩選整理自pandas.pydata.org大神的英文原創作品 pandas.Series.plot.kde。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。