pandas.Series.plot.density

Series.plot.density(bw_method=None, ind=None, weights=None, **kwargs)

使用高斯核生成核密度估计图。

在统计学中，`核密度估计`_（KDE）是一种估计随机变量概率密度函数（PDF）的非参数方法。该函数使用高斯核并包括自动带宽确定。

参数:

bw_methodstr, 标量或可调用对象, 可选

用于计算估计器带宽的方法。这可以是 ‘scott’、’silverman’、一个标量常数或一个可调用对象。如果为 None（默认），则使用 ‘scott’。更多信息请参见 scipy.stats.gaussian_kde。

indNumPy 数组或整数，可选

估计的PDF的评估点。如果为None（默认），则使用1000个等间距点。如果`ind`是一个NumPy数组，则在传递的点上评估KDE。如果`ind`是一个整数，则使用`ind`个等间距点。

权重NumPy 数组，可选

数据点的权重。这必须与数据点的形状相同。如果为 None（默认），则假定样本是等权重的。

**kwargs

其他关键字参数在 DataFrame.plot() 中记录。

返回:

matplotlib.axes.Axes 或 numpy.ndarray 的它们

包含 KDE 图的 matplotlib 轴。

参见

scipy.stats.gaussian_kde

使用高斯核表示核密度估计。这是内部用于估计PDF的函数。

例子

给定从未知分布中随机采样的一系列点，使用带有自动带宽确定的 KDE 估计其 PDF 并在 1000 个等间距点（默认）处绘制结果：

>>> s = pd.Series([1, 2, 2.5, 3, 3.5, 4, 5])
>>> ax = s.plot.kde()

可以指定一个标量带宽。使用较小的带宽值可能导致过拟合，而使用较大的带宽值可能导致欠拟合：

>>> ax = s.plot.kde(bw_method=0.3)

>>> ax = s.plot.kde(bw_method=3)

最后，ind 参数决定了估计PDF图的评估点：

>>> ax = s.plot.kde(ind=[1, 2, 3, 4, 5])

对于 DataFrame，它的工作方式相同：

>>> df = pd.DataFrame(
...     {
...         "x": [1, 2, 2.5, 3, 3.5, 4, 5],
...         "y": [4, 4, 4.5, 5, 5.5, 6, 6],
...     }
... )
>>> ax = df.plot.kde()

可以指定一个标量带宽。使用较小的带宽值可能导致过拟合，而使用较大的带宽值可能导致欠拟合：

>>> ax = df.plot.kde(bw_method=0.3)

>>> ax = df.plot.kde(bw_method=3)

最后，ind 参数决定了估计PDF图的评估点：

>>> ax = df.plot.kde(ind=[1, 2, 3, 4, 5, 6])