Jak stworzyć wykres gęstości w matplotlib?

W RI można stworzyć pożądane wyjście, wykonując:

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))

W Pythonie (z matplotlib) najbliższy otrzymałem był z prostym histogramem:

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()

Próbowałem również użyć parametru normed = True, ale nie mogłem uzyskać niczego innego niż próba dopasowania gaussa do histogramu.

Moje ostatnie próby były w pobliżu scipy.statsi gaussian_kdepodążając za przykładami w Internecie, ale jak dotąd mi się nie udało.

Sven pokazał, jak używać klasy gaussian_kdez Scipy, ale zauważysz, że nie wygląda to tak, jak to, co wygenerowałeś za pomocą R. Dzieje się tak, ponieważ gaussian_kdepróbuje automatycznie wywnioskować przepustowość. Można grać z pasma w sposób, poprzez zmianę funkcji covariance_factorw gaussian_kdeklasie. Po pierwsze, oto co otrzymujesz bez zmiany tej funkcji:

Jeśli jednak użyję następującego kodu:

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()

dostaję

co jest bardzo zbliżone do tego, co otrzymujesz od R. Co ja zrobiłem? gaussian_kdewykorzystuje zmienną funkcję covariance_factordo obliczenia swojej przepustowości. Przed zmianą funkcji wartość zwracana przez covariance_factor dla tych danych wynosiła około 0,5. Obniżenie tego zmniejszyło przepustowość. Musiałem zadzwonić _compute_covariancepo zmianie tej funkcji, aby wszystkie czynniki zostały poprawnie obliczone. Nie jest to dokładna zgodność z parametrem bw z R, ale miejmy nadzieję, że pomaga to we właściwym kierunku.

Pięć lat później, kiedy wyszukuję w Google „jak stworzyć wykres gęstości jądra za pomocą Pythona”, ten wątek wciąż pojawia się na górze!

Dziś dużo łatwiejszym sposobem na to jest użycie jelita morskiego , pakietu, który zapewnia wiele wygodnych funkcji kreślenia i dobre zarządzanie stylami .

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)

Opcja 1:

Użyj pandaswykresu ramki danych (zbudowanego na wierzchu matplotlib):

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()

Opcja 2:

Skorzystaj distplotz seaborn:

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)

Może spróbuj czegoś takiego:

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()

Możesz łatwo zastąpić gaussian_kde()innym oszacowaniem gęstości jądra.

Wykres gęstości można również utworzyć za pomocą matplotlib: Funkcja plt.hist (dane) zwraca wartości y i x niezbędne do sporządzenia wykresu gęstości (patrz dokumentacja https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). W rezultacie poniższy kod tworzy wykres gęstości przy użyciu biblioteki matplotlib:

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])      

Ten kod zwraca następujący wykres gęstości