資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化學
生物
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何在 Python 中使用 Seaborn 庫顯示核密度估計？
資料視覺化是一個重要的步驟，因為它有助於理解資料中正在發生的事情，而無需實際檢視數字並執行復雜的計算。Seaborn 是一個有助於資料視覺化的庫。它帶有自定義主題和高階介面。
核密度估計，也稱為 KDE，是一種可以估計連續隨機變數的機率密度函式的方法。
此方法用於非引數值的分析。在使用 'distplot' 時，如果引數 'kde' 設定為 True 且 'hist' 設定為 False，則可以視覺化 KDE。
讓我們看看如何在 Python 中視覺化核密度估計 -
示例
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'],kde = True, hist = False)
plt.show()輸出
解釋
- 匯入所需的包。
- 輸入資料為 'iris_data'，它從 scikit learn 庫載入。
- 使用 'load_dataset' 函式載入 iris 資料。
- 使用 'distplot' 函式視覺化此資料。
- 這裡，引數 'kde' 設定為 true，因為我們只想顯示直方圖。
- 此視覺化資料顯示在控制檯上。
注意 - 當 'kde' 的值為 False 時，僅顯示直方圖。
更新於: 2020-12-11
71 次檢視
廣告