sns.distplot()

sns.distplot()

sns.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: 是否显示条形框
# kde：是否显示核密度估计图
# rug：是否显示观测的小细条（边际毛毯）
# fit：设定函数图像，与原图进行比较
# norm_hist：True，则直方图高度显示密度而非计数（kde图像中默认True）

sns.distplot()详解

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
import warnings
warnings.filterwarnings('ignore')

# kde: 控制是否显示核密度估计图,默认为True
sns.distplot(x,kde=False)

# 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

# 通过hidt和kde参数调节是否显示直方图和核密度估计((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]) # ax=axex[0]表示该图片在整个画板中的位置
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

# 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

# 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) #拟合标准正态分布

# 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]) #分成20个区间
sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1])
#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。

# vertical / color 参数
sns.distplot(x,vertical=True,color="y")

# hist_kws：以字典形式传递直方图的其他修饰属性，如填充色、边框色、宽度等。
# kde_kws：以字典形式传递核密度图的其他修饰属性，如线的颜色、线的类型等。
# rug_kws：以字典形式传递须图的其他修饰属性，如线的颜色、线的宽度等。
# fit_kws：以字典形式传递须图的其他修饰属性，如线的颜色、线的宽度等。

博文