Seaborn常见图形绘制（kdeplot、distplot）

最新推荐文章于 2025-03-24 00:15:00 发布

fightingoyo

最新推荐文章于 2025-03-24 00:15:00 发布

阅读量1.8w

点赞数 15

文章标签： python 数据可视化可视化

原文链接：https://www.jianshu.com/p/844f66d00ac1

版权

本文详细介绍了Seaborn绘图库中的kdeplot和distplot函数使用方法，包括参数解析和实例演示，帮助读者掌握如何利用Seaborn进行数据可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

seaborn是基于matplotlib的Python可视化库，在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能让图变得精致好看。

一、kdeplot（核密度估计图）

核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验的方法之一。通过核密度估计图可以比较直观地看出数据样本本身的分布特征。

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)

通过一些具体的例子来学习kdeplot的参数用法：

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# 切换到seaborn的默认配置
sns.set()

# 绘制简单的一维数组,随机生成100个符合正态分布的数
x = np.random.randn(100)

sns.kdeplot(x)
plt.show()

在这里插入图片描述

cut参数：表示绘制的时候，切除带宽往数轴极限值的多少（默认为3）

sns.kdeplot(x,cut=0)

在这里插入图片描述

cumulative参数：是否绘制累积分布

sns.kdeplot(x,cumulative=True)

在这里插入图片描述

shade参数：若为True，则在kde曲线下面的区域进行阴影处理，color空值曲线和阴影的颜色

sns.kdeplot(x,shade=True,color='red')

在这里插入图片描述

vertical参数：表示以X轴进行绘制还是以Y轴进行绘制

sns.kdeplot(x,vertical=True)

在这里插入图片描述

二元kde图像

y = np.random.randn(100)
sns.kdeplot(x,y,shade=True)

在这里插入图片描述

cbar参数：添加一个颜色棒（颜色棒在二元kde图像中才有）

sns.kdeplot(x,y,shade=True,cbar=True)

在这里插入图片描述

二、displot

distplot()集合了matplotlib的hist()与核密度函数kdeplot()的功能，增加了rugplot分布观察条显示与利用scipy库fit拟合参数分布的新颖用途。具体用法如下：

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)

hist()表示直方图，又叫做质量分布图。通过表示沿数据范围形成封箱，然后绘制条形以显示落入每个分箱贯彻的次数的数据分布。

sns.distplot(x,color='r')

在这里插入图片描述

可以通过hist和kde参数调节是否显示直方图及和密度估计（默认hist，kde均为True）

# 创建一个一行三列的画布
fig,axes = plt.subplots(1,3)
# 左图
sns.distplot(x,ax=axes[0])
# 中图
sns.distplot(x,hist=False,ax=axes[1])
# 右图
sns.distplot(x,kde=False,ax=axes[2])

在这里插入图片描述

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])
sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1])

在这里插入图片描述

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])
sns.distplot(x,ax=axes[1])

在这里插入图片描述

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）

# from scipy.stats import *
sns.distplot(x,hist=False,fit=norm)

在这里插入图片描述

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样式

sns.distplot(x,kde_kws={'label':'KDE'},color='r')

在这里插入图片描述

norm_hist：若为True，则直方图高度显示密度而非计数（含有KDE图形中默认为True）

fig,axes = plt.subplots(1,2)
sns.distplot(x,norm_hist=True,kde=False,ax=axes[0])
sns.distplot(x,kde=False,ax=axes[1])

在这里插入图片描述