数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化学
生物
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何在 Python 中使用 Seaborn 库显示核密度估计？
数据可视化是一个重要的步骤，因为它有助于理解数据中正在发生的事情，而无需实际查看数字并执行复杂的计算。Seaborn 是一个有助于数据可视化的库。它带有自定义主题和高级接口。
核密度估计，也称为 KDE，是一种可以估计连续随机变量的概率密度函数的方法。
此方法用于非参数值的分析。在使用 'distplot' 时，如果参数 'kde' 设置为 True 且 'hist' 设置为 False，则可以可视化 KDE。
让我们看看如何在 Python 中可视化核密度估计 -
示例
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'],kde = True, hist = False)
plt.show()输出
解释
- 导入所需的包。
- 输入数据为 'iris_data'，它从 scikit learn 库加载。
- 使用 'load_dataset' 函数加载 iris 数据。
- 使用 'distplot' 函数可视化此数据。
- 这里，参数 'kde' 设置为 true，因为我们只想显示直方图。
- 此可视化数据显示在控制台上。
注意 - 当 'kde' 的值为 False 时，仅显示直方图。
更新于: 2020-12-11
71 次查看
广告