python密度估计图

Python中常用的密度估计图有两种方式：核密度估计和基于分布拟合的密度估计。

核密度估计是一种非参数的密度估计方法，它通过在每个数据点处放置一个核函数，然后将这些核函数加权平均起来，来估计数据的概率密度函数。在Python中，可以使用Seaborn库中的kdeplot函数来绘制核密度估计图。例如，下面的代码可以绘制一个核密度估计图：

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

# 生成一组随机数据
np.random.seed(0)
data = np.random.randn(1000)

# 绘制核密度估计图
sns.kdeplot(data)
plt.show()

基于分布拟合的密度估计则是先假设数据服从某种概率分布，然后通过拟合该分布的参数来估计数据的概率密度函数。在Python中，可以使用Scipy库中的stats模块来进行分布拟合。例如，下面的代码可以拟合一个正态分布，并绘制其密度估计图：

from scipy import stats

# 拟合正态分布
mu, std = stats.norm.fit(data)

# 绘制密度估计图
sns.kdeplot(data, label='Data')
sns.kdeplot(stats.norm.pdf(data, mu, std), label='Normal')
plt.legend()
plt.show()

其中，stats.norm.fit函数可以用来拟合正态分布的参数，而stats.norm.pdf函数则可以用来计算正态分布在每个数据点处的概率密度值。