pandas.Series.plot.density#

Series.plot.density(bw_method=None, ind=None, **kwargs)[源代码]#

使用高斯核生成核密度估计图。

在统计中， kernel density estimation (KDE)是一种估计随机变量概率密度函数(PDF)的非参数方法。此函数使用高斯核，并包括自动带宽确定。

参数

bw_method字符串，标量或可调用，可选: 用于计算估计器带宽的方法。它可以是‘Scott’、‘Silverman’、标量常量或可调用的。如果无(默认)，则使用‘Scott’。看见 scipy.stats.gaussian_kde 了解更多信息。
indNumPy数组或int，可选: 评估PDF的评估点。如果为None(默认)，则使用1000个等距点。如果 ind 是一个NumPy数组，则在传递的点处计算KDE。如果 ind 是一个整数， ind 使用多个等间距的点。
**kwargs: 中记录了其他关键字参数 DataFrame.plot() 。

退货

参见

示例

给出从未知分布中随机抽样的一系列点，使用具有自动带宽确定功能的KDE估计其PDF，并绘制结果，以1000个等距点进行评估(默认)：

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

可以指定标量带宽。使用较小的带宽值可能会导致过度适配，而使用较大的带宽值可能会导致适配不足：

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

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

最后， ind 参数确定估计的PDF的曲线图的评估点：

>>> 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()

可以指定标量带宽。使用较小的带宽值可能会导致过度适配，而使用较大的带宽值可能会导致适配不足：

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

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

最后， ind 参数确定估计的PDF的曲线图的评估点：

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

pandas.Series.plot.box

pandas.Series.plot.hist