Как создать график плотности в matplotlib?

В RI можно создать желаемый результат, выполнив:

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))

В python (с matplotlib) самое близкое, что я получил, было с простой гистограммой:

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()

Я также попробовал параметр normed = True, но ничего не получил, кроме попытки подогнать гауссову к гистограмме.

Мои последние попытки были вокруг scipy.statsи gaussian_kde, следуя примерам в сети, но пока безуспешно.

Свен показал, как использовать класс gaussian_kdeиз Scipy, но вы заметите, что он не совсем похож на то, что вы сгенерировали с помощью R. Это потому, что gaussian_kdeпытается автоматически определить полосу пропускания. Вы можете играть с пропускной способностью таким образом, изменяя функцию covariance_factorиз gaussian_kdeкласса. Во-первых, вот что вы получите без изменения этой функции:

Однако, если я использую следующий код:

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()

я получил

что довольно близко к тому, что вы получаете от Р. Что я наделал? gaussian_kdeиспользует изменяемую функцию covariance_factorдля расчета пропускной способности. Перед изменением функции значение, возвращаемое covariance_factor для этих данных, было около 0,5. Уменьшение этого уменьшило пропускную способность. Мне пришлось позвонить _compute_covarianceпосле изменения этой функции, чтобы все факторы были рассчитаны правильно. Это не точное соответствие параметру bw из R, но, надеюсь, поможет вам двигаться в правильном направлении.

Пять лет спустя, когда я гуглил, «как создать график плотности ядра с помощью python», этот поток все еще отображается наверху!

Сегодня гораздо проще сделать это с помощью пакета seaborn , который предоставляет множество удобных функций построения графиков и хорошее управление стилями.

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)

Опция 1:

Используйте pandasграфик фрейма данных (построенный поверх 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()

Вариант 2:

Использование distplotв 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)

Может попробовать что-нибудь вроде:

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()

Вы можете легко заменить gaussian_kde()его другой оценкой плотности ядра.

График плотности также можно создать с помощью matplotlib: функция plt.hist (data) возвращает значения y и x, необходимые для графика плотности (см. Документацию https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). В результате следующий код создает график плотности с помощью библиотеки 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])      

Этот код возвращает следующий график плотности