Bagaimana cara membuat plot kepadatan di matplotlib?

Di RI dapat membuat keluaran yang diinginkan dengan melakukan:

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))

Dalam python (dengan matplotlib) yang paling dekat saya dapatkan adalah dengan histogram sederhana:

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()

Saya juga mencoba parameter normed = True tetapi tidak bisa mendapatkan apa pun selain mencoba menyesuaikan gaussian ke histogram.

Upaya terakhir saya adalah sekitar scipy.statsdan gaussian_kde, mengikuti contoh di web, tetapi sejauh ini saya tidak berhasil.

Sven telah menunjukkan bagaimana menggunakan kelas gaussian_kdedari Scipy, tetapi Anda akan melihat bahwa itu tidak terlihat seperti yang Anda hasilkan dengan R. Ini karena gaussian_kdemencoba menyimpulkan bandwidth secara otomatis. Anda dapat bermain dengan bandwidth dengan cara dengan mengubah fungsi covariance_factordari gaussian_kdekelas. Pertama, inilah yang Anda dapatkan tanpa mengubah fungsi itu:

Namun, jika saya menggunakan kode berikut:

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()

saya mendapat

yang cukup dekat dengan apa yang Anda dapatkan dari R. Apa yang telah saya lakukan? gaussian_kdemenggunakan fungsi yang dapat diubah, covariance_factoruntuk menghitung bandwidthnya. Sebelum mengubah fungsi, nilai yang dikembalikan oleh covariance_factor untuk data ini adalah sekitar 0,5. Menurunkan ini menurunkan bandwidth. Saya harus menelepon _compute_covariancesetelah mengubah fungsi itu sehingga semua faktor akan dihitung dengan benar. Ini bukan korespondensi yang tepat dengan parameter bw dari R, tetapi mudah-mudahan ini membantu Anda mendapatkan arah yang benar.

Lima tahun kemudian, ketika saya Google "cara membuat plot kepadatan kernel menggunakan python", utas ini masih muncul di bagian atas!

Saat ini, cara yang jauh lebih mudah untuk melakukannya adalah dengan menggunakan seaborn , sebuah paket yang menyediakan banyak fungsi plot yang nyaman dan manajemen gaya yang baik.

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)

Pilihan 1:

Gunakan pandasplot dataframe (dibangun di atas 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()

Pilihan 2:

Gunakan distplotdari 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)

Mungkin mencoba sesuatu seperti:

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()

Anda dapat dengan mudah mengganti gaussian_kde()dengan perkiraan kepadatan kernel yang berbeda.

Plot kepadatan juga dapat dibuat dengan menggunakan matplotlib: Fungsi plt.hist (data) mengembalikan nilai y dan x yang diperlukan untuk plot kepadatan (lihat dokumentasi https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). Hasilnya, kode berikut membuat plot kepadatan dengan menggunakan pustaka 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])      

Kode ini mengembalikan plot kepadatan berikut