Seaborn（2）可视化数据集的分布
可视化数据集的分布
单元分布
双元分布
司马两可视化数据集中的pairwi relationship
1. 单元分布 sns.distplot()
直⽅图（hist）+内核密度函数（kde）自传入党范文
在aborn中最简便查看单元分布的函数是distplot().该函数默认绘制直⽅图并拟合内核密度估计。通过调整参数可以分别绘制直⽅图，拟合内核密度图，地毯图等。
x = al(size=100)
sns.distplot(x);
气虚的表现症状有哪些单元分布
直⽅图 sns.distplot(x,kde=Fal) / plt.hist()
当绘制直⽅图时，你需要调整的参数是bin的数⽬（组数）。displot()会默认给出⼀个它认为⽐较好的组数，但是尝试不同的组数可能会揭⽰出数据不同的特征。
sns.displot（x,bins=20,kde=Fal,rug=True）
当绘制直⽅图时，最重要的参数是bin以及vertical，以确定直⽅图的组数和放置位置
sns.distplot(x, bins=20, kde=Fal, rug=True);
核密度估计 sns.distplot(x,hist=Fal) / sns.kdeplot(x)
核密度估计图使⽤的较少，但其是绘制出数据分布的有⽤⼯具，与直⽅图类似，KDE图以⼀个轴的⾼度为准，沿着另外的轴线编码观测密度。
sns.displot(x,hist=Fal,rug=True)
绘制KDE图⽐绘制直⽅图要复杂得多。
具体核密度曲线计算：
每个观测值⾸先要以该值为中⼼的正(⾼斯)曲线代替。
x = al(0, 1, size=30)
紧锁的反义词
bandwidth = 1.06 * x.std() * x.size ** (-1 / 5.)
support = np.linspace(-4, 4, 200)
kernels = []
for x_i in x:
kernel = (x_i, bandwidth).pdf(support)
kernels.append(kernel)
plt.plot(support, kernel, color="r")
sns.rugplot(x, color=".2", linewidth=3);
然后各个点在加起来，计算⽀持⽹格点中每个点的密度值，然后将得到的曲线归⼀化，使其⾯积等于1，即得到核密度估计图.
from scipy.integrate import trapz
density = np.sum(kernels, axis=0)
density /= trapz(density, support)
plt.plot(support, density);
在aborng中也有⼀个函数kdeplot（），使⽤这个函数，我们可以得到同样的曲线，这个函数在distplot()中也被调⽤，但是他提供了更多更⽅便的借⼝，来进⾏可视化调整。
sns.kdeplot(x,shae=Ture)
图⽚.png
致教师读后感参数bw(binwidth)同直⽅图的bin⼀样，控制了估算与数据间的紧密程度。与我们之前提到的内核宽度⼀致，默认情况下，函数会直接猜⼀个数据，但尝试更⼤或更⼩bw情况的，或许会更有帮助。
sns.kdeplot(x)
sns.kdeplot(x, bw=.2, label="bw: 0.2")
sns.kdeplot(x, bw=2, label="bw: 2")
plt.legend();
图⽚.png
使⽤cut参数，可以控制曲线绘制多远的极限值。然⽽这仅仅只是影响曲线如何绘制，并不会影响曲线本⾝
sns.kedplot(x,shade=True,cut=0)
sns.rugplot(x)
图⽚.png
拟合参数分布
sns.distplot(x,kde=Fal,fit=stats,gamma)
你也可以通过使⽤distplot（）来拟合出⼀个数据集的参数分布，直观上来评估其余观测数据是否关系密切。
x = np.random.gamma(6, size=200)
sns.distplot(x, kde=Fal, fit=stats.gamma);
不一而足的意思
图⽚.png
2. ⼆元变量分布 sns.jointplot()
敖怎么读
aborn也能⽤来可视化⼆元变量的分布，最简单的⽅法是使⽤jointplot()，这个函数能够产⽣⼀个多⾯板的图像，在图像上包括两个变量之间的关系，在单独的坐标中还绘制出了各个变量的分布。
mean,cov=[0,1],[(1,.5),(.5,1)]
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x", "y"])
散点图
sns.jointplot(x='x',y='y',data=df)百家姓表
可视化⼆元分布最常见的⽅式是绘制散点图。散点图通过散点位置来代表x,y值。这和地毯图绘制在⼆维上类似。你可以通过matlibplot中的plt.scatter绘制散点图，当然你也可以直接使⽤sns.jointplot来绘制。
sns.jointplot(x="x", y="y", data=df);
sns.jointplot.png
通过调节参数kind={scatter,hex,reg,resid,kde}可绘制不同种类的图。
Hexbin图
sns.jointplot(x=x,y=y,data=df,kind='hex')
