Comment créer un graphique de densité dans matplotlib ?

Question

Dans R, je peux créer la sortie désirée 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 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 aussi essayé le paramètre normed=True mais je n'ai rien trouvé d'autre que d'essayer d'ajuster une gaussienne à l'histogramme.

Mes dernières tentatives étaient autour de scipy.stats y gaussian_kde J'ai suivi des exemples sur le web, mais je n'ai pas réussi jusqu'à présent.

Answer 1

Cinq ans plus tard, lorsque je cherche sur Google "comment créer un graphique de densité de noyau en utilisant python", ce fil de discussion apparaît toujours en tête de liste !

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

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 2

Sven a montré comment utiliser la classe gaussian_kde de Scipy, mais vous remarquerez qu'il ne ressemble pas tout à fait à ce que vous avez généré avec R. C'est parce que gaussian_kde essaie de déduire la largeur de bande automatiquement. Vous pouvez jouer avec la largeur de bande d'une certaine manière en modifiant la fonction covariance_factor de la gaussian_kde classe. Tout d'abord, voici ce que vous obtenez sans modifier 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'est-ce que j'ai fait ? gaussian_kde utilise une fonction modifiable, covariance_factor pour calculer sa largeur de bande. Avant de modifier la fonction, la valeur renvoyée par covariance_factor pour ces données était d'environ 0,5. En la diminuant, on a réduit la largeur de bande. J'ai dû appeler _compute_covariance après avoir modifié cette fonction pour que tous les facteurs soient calculés correctement. Il ne s'agit pas d'une correspondance exacte avec le paramètre bw de R, mais j'espère que cela vous aidera à aller dans la bonne direction.

Answer 3

Option 1 :

Utilice pandas tracé de dataframe (construit sur la base 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 :

Utilice distplot de 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)

Answer 4

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 remplacer gaussian_kde() par une estimation différente de la densité du noyau.

Answer 5

Le graphique de densité peut également être créé à l'aide de 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 en utilisant 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