如何在 Python 中使用 Seaborn 库绘制核密度估计图（联合图）？

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概率密度函数的方法。此方法用于非参数值的分析。在使用“联合图”时，如果将参数“kind”设置为“kde”，则会绘制核密度估计图。

让我们了解“联合图”函数如何在 python 中绘制核密度估计图。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
my_df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = my_df,kind = 'kde')
plt.show()

输出

Learn Python in-depth with real-world projects through our Python certification course. Enroll and become a certified expert to boost your career.

解释

  • 导入所需的包。

  • 输入数据为“iris_data”，它从 scikit learn 库加载。

  • 此数据存储在数据帧中。

  • “load_dataset”函数用于加载鸢尾花数据。

  • 使用“联合图”函数可视化此数据。

  • 这里，将“x”和“y”轴值作为参数提供。

  • 这里，将“kind”参数指定为“kde”，以便绘图理解打印核密度估计。

  • 此核密度估计数据显示在控制台上。

更新于： 2020-12-11

156 次查看

开启你的 职业生涯

通过完成课程获得认证

开始
广告