Hướng dẫn how do you plot a dataframe in a normal distribution in python? - làm thế nào để bạn vẽ một khung dữ liệu trong một phân phối chuẩn trong python?

Tạo sơ đồ ước tính mật độ hạt nhân bằng cách sử dụng hạt nhân Gaussian.

Trong thống kê, ước tính mật độ hạt nhân (KDE) là một cách không tham số để ước tính hàm mật độ xác suất (PDF) của một biến ngẫu nhiên. Hàm này sử dụng hạt nhân Gaussian và bao gồm xác định băng thông tự động.

Phương pháp được sử dụng để tính toán băng thông ước tính. Đây có thể là ‘Scott,‘ Silverman, một hằng số vô hướng hoặc có thể gọi được. Nếu không có (mặc định), ‘Scott, được sử dụng. Xem

sns.kdeplot(data = Cultivar_1['AGW'])
plt.xlim([30,70])  
plt.xlabel("Grain weight (mg)", size=12)    
plt.ylabel("Frequency", size=12)                
plt.grid(True, alpha=0.3, linestyle="--")     
plt.show()

Điểm đánh giá cho PDF ước tính. Nếu không có (mặc định), 1000 điểm cách đều nhau được sử dụng. Nếu Ind là một mảng numpy, KDE được đánh giá tại các điểm được thông qua. Nếu Ind là một số nguyên, số lượng điểm cách đều nhau được sử dụng.

Các đối số từ khóa bổ sung được ghi lại trong

sns.kdeplot(data = Cultivar_1['AGW'])
plt.xlim([30,70])  
plt.xlabel("Grain weight (mg)", size=12)    
plt.ylabel("Frequency", size=12)                
plt.grid(True, alpha=0.3, linestyle="--")     
plt.show()

Xem thêm

sns.kdeplot(data = Cultivar_1['AGW'])
plt.xlim([30,70])  
plt.xlabel("Grain weight (mg)", size=12)    
plt.ylabel("Frequency", size=12)                
plt.grid(True, alpha=0.3, linestyle="--")     
plt.show()

Đại diện cho ước tính mật độ hạt nhân bằng cách sử dụng hạt nhân Gaussian. Đây là chức năng được sử dụng nội bộ để ước tính PDF.

Ví dụ

Đưa ra một loạt các điểm được lấy mẫu ngẫu nhiên từ phân phối không xác định, ước tính PDF của nó bằng cách sử dụng KDE với xác định băng thông tự động và vẽ kết quả, đánh giá chúng ở 1000 điểm cách đều nhau (mặc định):

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

Một băng thông vô hướng có thể được chỉ định. Sử dụng giá trị băng thông nhỏ có thể dẫn đến quá mức, trong khi sử dụng giá trị băng thông lớn có thể dẫn đến việc phù hợp:

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

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

Cuối cùng, tham số IND xác định các điểm đánh giá cho biểu đồ của PDF ước tính:

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

Đối với DataFrame, nó hoạt động theo cùng một cách:

>>> 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()

Một băng thông vô hướng có thể được chỉ định. Sử dụng giá trị băng thông nhỏ có thể dẫn đến quá mức, trong khi sử dụng giá trị băng thông lớn có thể dẫn đến việc phù hợp:

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

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

Cuối cùng, tham số IND xác định các điểm đánh giá cho biểu đồ của PDF ước tính:

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