Come creare un grafico di densità in matplotlib?

In RI puoi creare l'output desiderato 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 Python (con matplotlib) il più vicino che ho ottenuto è stato 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 il parametro normed = True ma non sono riuscito a ottenere nient'altro che provare ad adattare un gaussiano all'istogramma.

I miei ultimi tentativi erano in giro scipy.statse gaussian_kde, seguendo esempi sul web, ma finora non ho avuto successo.

Sven ha mostrato come usare la classe gaussian_kdedi Scipy, ma noterai che non assomiglia esattamente a ciò che hai generato con R. Questo perché gaussian_kdecerca di dedurre automaticamente la larghezza di banda. Puoi giocare con la larghezza di banda in un modo cambiando la funzione covariance_factordella gaussian_kdeclasse. Innanzitutto, ecco cosa ottieni senza modificare quella funzione:

Tuttavia, se utilizzo il codice seguente:

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 abbastanza vicino a quello che ricevi da R. Cosa ho fatto? gaussian_kdeutilizza una funzione modificabile, covariance_factorper calcolare la sua larghezza di banda. Prima di modificare la funzione, il valore restituito da covariance_factor per questi dati era di circa 0,5. L'abbassamento di questo ha ridotto la larghezza di banda. Ho dovuto chiamare _compute_covariancedopo aver modificato quella funzione in modo che tutti i fattori fossero calcolati correttamente. Non è una corrispondenza esatta con il parametro bw da R, ma si spera che ti aiuti ad andare nella giusta direzione.

Cinque anni dopo, quando ho cercato su Google "come creare un diagramma di densità del kernel utilizzando python", questo thread si presenta ancora in alto!

Oggi, un modo molto più semplice per farlo è usare seaborn , un pacchetto che fornisce molte comode funzioni di plottaggio 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)

Opzione 1:

Usa il pandasgrafico del dataframe (costruito sopra 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:

Utilizzo distplotdi 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)

Forse prova qualcosa come:

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()

Puoi facilmente sostituire gaussian_kde()con una stima diversa della densità del kernel.

Il diagramma di densità può essere creato anche utilizzando matplotlib: la funzione plt.hist (dati) restituisce i valori y e x necessari per il diagramma di densità (vedere la documentazione https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). Di conseguenza, il codice seguente crea un grafico di densità utilizzando la libreria 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])      

Questo codice restituisce il seguente grafico di densità