Comment créer un graphique de densité dans matplotlib?

Dans RI peut créer la sortie souhaitée en faisant:

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))

En python (avec matplotlib), le plus proche que j'ai obtenu était avec un simple histogramme:

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()

J'ai également essayé le paramètre normed = True mais je n'ai rien pu obtenir d'autre que d'essayer d'adapter un gaussien à l'histogramme.

Mes dernières tentatives étaient autour scipy.statset gaussian_kde, suivant des exemples sur le Web, mais j'ai échoué jusqu'à présent.

Sven a montré comment utiliser la classe gaussian_kdede Scipy, mais vous remarquerez qu'elle ne ressemble pas tout à fait à ce que vous avez généré avec R. C'est parce qu'il gaussian_kdeessaie de déduire automatiquement la bande passante. Vous pouvez jouer avec la bande passante d'une certaine manière en modifiant la fonction covariance_factorde la gaussian_kdeclasse. Tout d'abord, voici ce que vous obtenez sans changer cette fonction:

Cependant, si j'utilise le code suivant:

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()

Je reçois

ce qui est assez proche de ce que vous obtenez de R. Qu'ai-je fait? gaussian_kdeutilise une fonction modifiable covariance_factorpour calculer sa bande passante. Avant de modifier la fonction, la valeur renvoyée par covariance_factor pour ces données était d'environ 0,5. La réduction de cela a réduit la bande passante. J'ai dû appeler _compute_covarianceaprès avoir changé cette fonction pour que tous les facteurs soient calculés correctement. Ce n'est pas une correspondance exacte avec le paramètre bw de R, mais j'espère que cela vous aidera à aller dans la bonne direction.

Cinq ans plus tard, quand je Google "comment créer un graphique de densité de noyau en utilisant python", ce fil apparaît toujours en haut!

Aujourd'hui, un moyen beaucoup plus simple de le faire est d'utiliser seaborn , un package qui fournit de nombreuses fonctions de traçage pratiques et une bonne gestion du style.

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)

Option 1:

Utilisez le pandastracé de dataframe (construit au-dessus de 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()

Option 2:

Utilisation distplotde 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)

Essayez peut-être quelque chose comme:

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()

Vous pouvez facilement le remplacer gaussian_kde()par une autre estimation de la densité du noyau.

Le tracé de densité peut également être créé en utilisant matplotlib: La fonction plt.hist (data) renvoie les valeurs y et x nécessaires au tracé de densité (voir la documentation https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). En conséquence, le code suivant crée un graphique de densité à l'aide de la bibliothèque matplotlib:

import matplotlib.pyplot as plt
dat=[-1,2,1,4,-5,3,6,1,2,1,2,5,6,5,6,2,2,2]
a=plt.hist(dat,density=True)
plt.close()
plt.figure()
plt.plot(a[1][1:],a[0])      

Ce code renvoie le graphique de densité suivant