Come creare un grafico della densità in matplotlib?

Question

In RI può creare l'uscita desiderata facendo:

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)) 

In pitone (con matplotlib) più vicino ho trovato era con un semplice istogramma:

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() 

Ho anche provato the normed=True parameter ma non ho potuto ottenere altro che provare a adattare un gaussiano all'istogramma.

I miei ultimi tentativi erano intorno a scipy.stats e gaussian_kde, seguendo gli esempi sul web, ma fino ad ora non ho avuto esito positivo.

Answer 1

Sven ha mostrato come utilizzare la classe gaussian_kde da Scipy, ma si noterà che non assomiglia molto a ciò che è stato generato con R. Questo perché gaussian_kde tenta di dedurre automaticamente la larghezza di banda. È possibile giocare con la larghezza di banda in un modo modificando la funzione covariance_factor della classe gaussian_kde. In primo luogo, qui è quello che si ottiene senza cambiare quella funzione:

Tuttavia, se uso il seguente codice:

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() 

ottengo

che è molto vicino a quello che stai ricevendo da R. Che cosa ho fatto? gaussian_kde utilizza una funzione modificabile, covariance_factor per calcolare la sua larghezza di banda. Prima di modificare la funzione, il valore restituito da covariance_factor per questi dati era circa 0,5. Abbassando questo abbassato la larghezza di banda. Ho dovuto chiamare _compute_covariance dopo aver cambiato quella funzione in modo che tutti i fattori sarebbero stati calcolati correttamente. Non è una corrispondenza esatta con il parametro bw di R, ma si spera che ti aiuti ad andare nella giusta direzione.

Answer 2

Forse provare qualcosa di simile:

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() 

Si può facilmente sostituire gaussian_kde() da una stima diversa densità del kernel.

Answer 3

Cinque anni più tardi, quando I Google "come creare un grafico della densità del kernel usando python", questo thread appare ancora in alto!

Oggi, un modo molto più semplice per farlo è usare seaborn, un pacchetto che offre molte utili funzioni di tracciamento e una buona gestione dello stile.

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) 

Answer 4

Opzione 1:

Usa pandas trama dataframe (costruito sulla cima di 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() 

Opzione 2:

Uso distplot di 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)