Python可视化 | Seaborn（01）

kdeplot和distplot的介绍：

#入门---kdeplot和distplot
import numpy as np  #导入numpy包，用于生成数组
import seaborn as sns  #习惯上简写成sns
import matplotlib.pyplot as plt
from scipy.stats import *
def testkdeplot():
    # seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3,
    #                 clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None,
    #                 cbar_kws=None, ax=None, **kwargs)
    x = np.random.randn(100)  # 随机生成100个符合正态分布的数
    # sns.kdeplot(x)

    #cut：参数表示绘制的时候，切除带宽往数轴极限数值的多少(默认为3)
    # sns.kdeplot(x, cut=0)
    #cumulative ：是否绘制累积分布
    #sns.kdeplot(x, cumulative=True)
    #shade：若为True，则在kde曲线下面的区域中进行阴影处理，color控制曲线及阴影的颜色
    # sns.kdeplot(x, shade=True, color="g")
    #vertical：表示以X轴进行绘制还是以Y轴进行绘制
    #sns.kdeplot(x, vertical=True)
    #二元kde图像
    y = np.random.randn(100)
    # sns.kdeplot(x, y, shade=True)
    # cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)
    sns.kdeplot(x, y, shade=True, cbar=True)
    plt.show()

def testdistplot():
    # seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None,
    #                  fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
    x = np.random.randn(100)  # 随机生成100个符合正态分布的数
    # sns.distplot(x, color="g")

    # 通过hist和kde参数调节是否显示直方图及核密度估计(默认hist, kde均为True)
    # fig, axes = plt.subplots(1, 3)  # 创建一个一行三列的画布
    # sns.distplot(x, ax=axes[0])  # 左图
    # sns.distplot(x, hist=False, ax=axes[1])  # 中图
    # sns.distplot(x, kde=False, ax=axes[2])  # 右图

    # bins：int或list，控制直方图的划分
    # fig, axes = plt.subplots(1, 2)
    # sns.distplot(x, kde=False, bins=20, ax=axes[0])  # 左图：分成20个区间
    # sns.distplot(x, kde=False, bins=[x for x in range(4)],
    #              ax=axes[1])  # 右图：以0,1,2,3为分割点，形成区间[0,1],[1,2],[2,3]，区间外的值不计入。

    # rug：控制是否生成观测数值的小细条
    # fig, axes = plt.subplots(1, 2)
    # sns.distplot(x, rug=True, ax=axes[0])  # 左图
    # sns.distplot(x, ax=axes[1])  # 右图

    # fit：控制拟合的参数分布图形，能够直观地评估它与观察数据的对应关系(黑色线条为确定的分布)
    # sns.distplot(x, hist=False, fit=norm)  # 拟合标准正态分布

    # hist_kws, kde_kws, rug_kws, fit_kws参数接收字典类型，可以自行定义更多高级的样式
    # sns.distplot(x, kde_kws={"label": "KDE"}, vertical=True, color="y")

    # norm_hist：若为True, 则直方图高度显示密度而非计数(含有kde图像中默认为True)
    fig, axes = plt.subplots(1, 2)
    sns.distplot(x, norm_hist=True, kde=False, ax=axes[0])  # 左图
    sns.distplot(x, kde=False, ax=axes[1])  # 右图
    plt.show()

if __name__=="__main__":
    # testkdeplot()
    testdistplot()

参考地址：https://zhuanlan.zhihu.com/p/33977558