核密度估计图（Kernel Density Estimation, KDE）

最新推荐文章于 2025-06-14 17:05:33 发布

原创

最新推荐文章于 2025-06-14 17:05:33 发布 · 2.6w 阅读

37 ·

CC 4.0 BY-SA版权

文章标签：

#数据可视化 #Python #KDE图

核密度估计（KDE）是一种非参数概率密度函数估计技术，常用于数据可视化。本文将探讨如何利用Python的seaborn、SciPy和NumPy库来创建和理解KDE图。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

核密度估计图（Kernel Density Estimation, KDE）

KDE

KDE是一种用来估计概率密度函数的非参数方法

seaborn

from numpy.random import randn
import matplotlib as mpl
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_palette("hls")
mpl.rc(

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小人物云斗磨盘

关注关注

2
点赞
踩
37

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

核密度估计,核密度估计图怎么解释,matlab

09-10

计算一组数据之间的互信息，利用了核密度估计函数

绘制核密度估计图

weixin_45735391的博客

10-21

1万+

核密度估计图（Kernel Density Estimation，KDE）是一种用于估计数据分布的非参数方法，通常用于可视化和理解数据的分布情况。它通过平滑地估计数据的概率密度函数（PDF）来显示数据的分布特征，尤其在连续变量上非常有用。KDE图通常表现为一条平滑的曲线，描述了数据在特定值附近的密度。这条曲线称为核密度估计。核密度估计是通过将每个数据点视为一个小的概率分布（通常是高斯分布或其他核函数）并将它们叠加而得到的。这样，核密度估计提供了一个对数据分布的连续估计，而不仅仅是一个直方图或散点图。

2 条评论您还未登录，请先登录后发表或查看评论

《Origin画百图》之核密度图

热门推荐

Starworks的专栏

12-15

13万+

核密度估计(Kernel density estimation)简析

无监督算法——核密度估计（Kernel Density Estimation, KDE）

DuHz的博客

11-26

5523

核密度估计是一种用于估计随机变量的概率密度函数的非参数方法。与参数方法不同，KDE不假设数据服从某种特定的分布形式，而是直接基于样本数据本身构建密度估计。这种非参数性质使得KDE在处理复杂、多峰或未知分布的数据时具有较大的灵活性和适应性。KDE通过在每个数据点上放置一个称为核函数的平滑函数，并将所有核函数叠加起来，从而得到整体的密度估计。相比于直方图，KDE消除了直方图中桶的选择对结果的影响，提供了更为连续和平滑的密度曲线。

基于核密度估计Kernel Density Estimation, KDE的数据生成方法研究附Matlab代码.rar

05-11

核密度估计（Kernel Density Estimation, KDE）是一种用于估计概率密度函数的非参数方法。与直方图方法相比，核密度估计可以生成更为平滑的密度估计，它通过在每个样本点周围放置一个核函数（比如高斯核），然后将...

核密度估计（Kernel Density Estimation, KDE）是一种非参数统计方法

qiy_icbc的博客

01-13

3004

核密度估计（Kernel Density Estimation, KDE）是一种非参数统计方法，用于估计随机变量的概率密度函数。它通过将每个数据点周围的核函数叠加，生成平滑的密度曲线。

【解读】核密度图

2301_77549977的博客

06-11

4300

核密度估计（Kernel Density Estimation，简称KDE）是一种用来。KDE图中的曲线代表了数据的概率密度估计。曲线越高表示该位置上的数据点密度越高。横轴代表数据的取值范围，纵轴表示对应取值处的密度估计值。曲线的峰值表示数据中的高密度区域，而谷值表示低密度区域。，则会在曲线下方填充颜色，表示数据的密度区域。如果在绘制KDE图时选择了。估计随机变量概率密度函数。

基础绘图篇 | 核密度估计图绘制(R+Python)

qq_40483688的博客

01-15

1936

本期将R-ggplot2绘图和Python-seaborn 进行了汇总整理，一方面因为内容较为基础，另一方面，大家也可以对比下R-ggplot2系列和Python-matplotlib系列绘图。大家可以根据自己喜好选择适合自己的绘图工具。

R语言核密度图

01-07

核密度图给定一个数据集，需要观察这些样本的分布情况，往往我们会采用直方图的方法来进行直观的展现。该方法简单，容易计算，但是直方图存在着如下的两大问题：绘制直方图时，需要确定分组问题，如果分组不同，那么最后的直方图会产生很大的差别。直方图展示的分布曲线并不平滑，即在一个分组中的样本具有相等的概率密度。针对直方图的问题，这里提到了核密度图。核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen (1962)提出，又名Parzen窗（Parzen windo

核密度函数详解，核密度函数图如何看？

三米学习笔记杂货铺

05-19

3万+

前言上一篇博客画了一张核密度函数，但是搜了半天也没找到怎么分析这个图。求人不如求自己，这篇来分析一下这个核密度函数和核密度图。说的不对的地方还请大神指出。概率密度从数学上看，分布函数F(x)=P(X<x)，表示随机变量X的值小百于x的概率。这个意义很容易理解。概率密度f(x)是F(x)在x处的关于x的一阶导数，即变化率。如果在某一x附近取非常小的一个邻域Δx，那么，随机度变量X落在(x, x+Δx)内的概率约为f(x)Δx，即P(x<X<x+Δx)≈f(x)Δx。换句话说，概率

核密度图

weixin_33830216的博客

11-06

1641

2019独角兽企业重金招聘Python工程师标准>>> ...

R之核密度图

王文强的博客

12-23

2万+

# # 用术语来说，核密度估计是用于估计随机变 # 量概率密度函数的一种非参数方法。虽然其数学细节已经超出了本书的范畴，但从总体上讲，核 # 密度图不失为一种用来观察连续型变量分布的有效方法。绘制密度图的方法（不叠加到另一幅图 # 上方）为： plot(density(x)) # # 其中的x是一个数值型向量。由于plot()函数会创建一幅新的图形，所以要向一 # 幅已经存在的图形上叠加一条

【R语言】-核密度估计图绘制

weixin_54004950的博客

12-13

5389

核密度估计图（Kernel Density Estimation, KDE），是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt （1955）和Emanuel Parzen（1962）提出，又名Parzen窗（Parzen window）。分析核密度函数时主要观察其面积，而不是取值。核密度图中纵轴与横轴所围成的面积为1。

【阶段二】Python数据分析数据可视化工具使用04篇：核密度估计图

张陈亚的博客

01-07

1884

Python数据分析数据可视化工具使用04篇：核密度估计图

核密度图（直方图的拟合曲线）

weixin_30847271的博客

07-14

1万+

核密度图可以看作是概率密度图，其纵轴可以粗略看做是数据出现的次数，与横轴围成的面积是一. 法一：seaborn的kdeplot函数专门用于画核密度估计图. 参考：https://www.jianshu.com/p/844f66d00ac1 https://yq.aliyun.com/articles/682843 import pandas as pd import numpy ...

Python | 使用Seaborn绘制KDE核密度估计曲线

python收藏家的博客

10-05

3116

KDE图，全称核密度估计图(Kernel Density Estimation)，是一种用于估计数据分布的非参数方法，通常用于可视化和理解数据的分布情况。它通过平滑地估计数据的概率密度函数(PDF)来显示数据的分布特征，尤其在连续变量上非常有用。核密度估计图通常表现为一条平滑的曲线，描述了数据在特定值附近的密度。这条曲线称为核密度估计。核密度估计是通过将每个数据点视为一个小的概率分布（通常是高斯分布或其他核函数）并将它们叠加而得到的。

在Python中，如何确定核密度估计（Kernel Density Estimation）中的bin数量和宽度？

12-11

在Python中，确定核密度估计（Kernel Density Estimation，简称KDE）中的bin数量和宽度是一个重要步骤，因为它直接影响估计的准确性。以下是一些常用的方法： ### 1. 使用Scott公式 Scott公式是一种常用的方法，它根据数据的标准差和样本数量来计算bin的宽度。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import gaussian_kde # 生成一些示例数据 data = np.random.normal(0, 1, 1000) # 使用Scott公式计算bin宽度 std = np.std(data) n = len(data) bin_width = 3.5 * std / (n ** (1/3)) # 计算bin数量 bin_count = int((np.max(data) - np.min(data)) / bin_width) # 进行KDE kde = gaussian_kde(data) # 生成x轴数据 x = np.linspace(np.min(data), np.max(data), 1000) p = kde(x) # 绘制KDE plt.hist(data, bins=bin_count, density=True, alpha=0.5, label='Histogram') plt.plot(x, p, label='KDE') plt.legend() plt.show() ``` ### 2. 使用Silverman公式 Silverman公式是另一种常用的方法，它对Scott公式进行了改进。 ```python # 使用Silverman公式计算bin宽度 bin_width = (std * (4 / (3 * n)) ** 0.2) # 计算bin数量 bin_count = int((np.max(data) - np.min(data)) / bin_width) ``` ### 3. 使用交叉验证交叉验证是一种更灵活的方法，可以通过最大化似然函数来选择最佳的bin宽度。 ```python # 使用交叉验证选择bin宽度 def cross_validation_bandwidth(data): from sklearn.model_selection import GridSearchCV grid = GridSearchCV(gaussian_kde, {'bw_method': np.linspace(0.1, 1.0, 30)}, cv=5) grid.fit(data) return grid.best_params_['bw_method'] bandwidth = cross_validation_bandwidth(data) kde = gaussian_kde(data, bw_method=bandwidth) p = kde(x) # 绘制KDE plt.hist(data, bins=bin_count, density=True, alpha=0.5, label='Histogram') plt.plot(x, p, label='KDE') plt.legend() plt.show() ``` ###