¿Cómo crear una gráfica de densidad en matplotlib?

En RI puede crear la salida deseada haciendo:

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 (con matplotlib) lo más cercano que pude fue con un histograma simple:

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()

También probé el parámetro normed = True pero no pude obtener nada más que intentar ajustar un gaussiano al histograma.

Mis últimos intentos estuvieron presentes scipy.statsy gaussian_kde, siguiendo ejemplos en la web, pero hasta ahora no he tenido éxito.

Sven ha mostrado cómo usar la clase gaussian_kdede Scipy, pero notarás que no se parece mucho a lo que generaste con R. Esto se debe a que gaussian_kdeintenta inferir el ancho de banda automáticamente. Puede jugar con el ancho de banda de alguna manera cambiando la función covariance_factorde la gaussian_kdeclase. Primero, esto es lo que obtiene sin cambiar esa función:

Sin embargo, si utilizo el siguiente código:

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()

yo obtengo

que está bastante cerca de lo que está obteniendo de R. ¿Qué he hecho? gaussian_kdeutiliza una función modificable covariance_factorpara calcular su ancho de banda. Antes de cambiar la función, el valor devuelto por covariance_factor para estos datos era aproximadamente .5. Bajar esto redujo el ancho de banda. Tuve que llamar _compute_covariancedespués de cambiar esa función para que todos los factores se calcularan correctamente. No es una correspondencia exacta con el parámetro bw de R, pero es de esperar que le ayude a ir en la dirección correcta.

Cinco años después, cuando busqué en Google "cómo crear una gráfica de densidad del kernel usando Python", ¡este hilo todavía aparece en la parte superior!

Hoy en día, una forma mucho más fácil de hacer esto es utilizar seaborn , un paquete que proporciona muchas funciones de trazado convenientes y una buena gestión de estilo.

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)

Opción 1:

Utilice el pandasdiagrama de marco de datos (construido sobre 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()

Opcion 2:

Uso distplotde 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)

Tal vez intente algo como:

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()

Puede reemplazarlo fácilmente gaussian_kde()por una estimación de densidad de kernel diferente.

La gráfica de densidad también se puede crear usando matplotlib: La función plt.hist (data) devuelve los valores yyx necesarios para la gráfica de densidad (consulte la documentación https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). Como resultado, el siguiente código crea una gráfica de densidad utilizando la biblioteca 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])      

Este código devuelve la siguiente gráfica de densidad