distplot——基于python语言可视化

#sns.distplot()用法
#sns.distplot()集合了matplotlib的hist()与sns.kdeplot()功能，
# 增加了rugplot分布观测显示与理由，scipy库拟合参数分布的新颖用途
#参数如下
#sns.distplot(a,bins=None,hist=True,kde=True,rug=False,fit=None
#             hist_kws=None,kde_kws=None,kde_kws=None,rug_kws=None
#             fit_kws=None,color=None,vertical=False,norm_hist=False
#             axlabel=None,label=None,ax=None)
#直方图：先分箱，然后计算每个分箱频数的数据分布
#注意⚠️：和条形图的区别，条形图有空隙，直方图没有，条形图一般用于类别特征，
# 直方图一般用于数字特征（连续性）多用于，y值和数字（连续型）特征的分布画图
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
sns.set()   #切换到sns的默认运行配置

#生成一百个符合正态分布的数
x=np.random.randn(100)
sns.distplot(x)
plt.show()

#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1行3列的图片
sns.distplot(x,ax=axes[0])
sns.distplot(x,hist=False,ax=axes[1])   #不显示直方图
sns.distplot(x,kde=False,ax=axes[2])    #不显示核密度
plt.show()

#bin：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])#分成20个区间
#以以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，要读取结束点4
#则需要加上，endpoint=True（该参数默认不写为false，即不显示）
sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1])

#rag：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
plt.show()

#fit:控制拟合的参数分布图形，能够直观的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)  #拟合标准正态分布
plt.show()

#hist_kws,kde_kws,rug_kws,fit_kws参数接受字典类型,可以定义更多高级的样式
sns.distplot(x,kde_kws={"label":"KDE"},vertical=True,color="y")
plt.show()

#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，即kde为True，则norm_hist则直接为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()