Python数据分析-绘图-2-Seaborn进阶绘图-3-分布图
一、kdeplot
核密度估计用来估计未知的密度函数，是非参数检验之一。直观上来看是平滑后的直方图。核密度估计方法不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本本身出发研究数据分布特征的方法，因而，在统计学理论和应用领域均受到高度的重视。
函数：seaborn.kdeplot
常用参数：
| data | array，用于绘制核密度图的数据 |
| data2 | array，如果传入数据，将估计双变量核密度。 |
| vertical | bool，指定y轴还是x轴为密度。 |
| kernal | “gau”“cos”“biw”“epa”“ri”“triw”，选择核函数。双变量只能使用“gau”高斯核密度 |
| shade | bool，是否在kde曲线下着色。 |
| gridsize | int，网格中离散点个数，默认为100. |
| cumulative | bool，是否绘制累积分布，默认为False |
| cbar | bool，是否添加颜色棒，默认为False。 |
iris=sns.load_dataset('iris')
iris.head()
>
sepal_lengthsepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
fig,axes=plt.subplots(1,2,figsize=(8,4))
#绘制单变量核密度图
sns.kdeplot(iris['petal_length'],ax=axes[0],shade=True,color='y')
#绘制双变量核密度图
sns.kdeplot(iris['sepal_length'],iris['sepal_width'],ax=axes[1],shade=False,cbar=True)
绘制两个阴影的双变量密度图：
setosa=iris.loc[iris.species=='setosa']
virginica=iris.loc[iris.species=='virginica']
sns.kdeplot(setosa.sepal_width,setosa.sepal_length,cmap='Reds',shade=True)
sns.kdeplot(virginica.sepal_width,virginica.sepal_length,cmap="Blues",shade=True)
二、rugplot
rugplot函数用来绘制地毯图，地毯图可以认为是数据刻度,用来辅助显示数据的分布特点。
函数：seaborn.rugplot
常用参数：
| a | array，表示添加刻度的数据。 |
| height | float，刻度的高度，默认为0.05. |
| axis | 接收x或y，指定添加刻度的轴。 |
| ax | 接收绘图对象，选择在哪个图中绘制刻度。 |
tips=sns.load_dataset('tips')
sns.rugplot(tips.total_bill,height=0.08)
在核密度图上添加地毯图：
sns.kdeplot(tips.total_bill)
sns.rugplot(tips.total_bill,height=0.08) 
三、distplot
是hist函数的升级版，它集合了hist函数和kdeplot函数的功能，添加了rugplot分布观测条显示与利用scipy库拟合参数分布的新用途。
函数：seaborn.distplot
常用参数：
| a | 接收series，list，array，表示观察数据，如果是具有name属性的series对象，则该名称将用于标记数据轴。 |
| bin | int，表示长方形数目，默认为“auto” |
| hist | bool，是否绘制直方图。默认为True |
| kde | bool，是否绘制高斯核密度估计，默认为False |
| rug | bool，是否添加地毯刻度，默认为False |
| fit | 接收随机变量对象，用来拟合分布。 |
| color | 表示除了拟合曲线外的所有内容的颜色。 |
| {hist,kde,rug,fit}_kws | 接受字典，表示底层绘图函数的关键字参数。 |
import pandas as pd
from scipy.stats import norm
import numpy as np
np.random.seed(1)
x=np.random.normal(size=100)
pic=plt.figure(figsize=(8,8))
data=pd.Series(x,name='data')#添加name属性
#使用默认参数绘图
pic.add_subplot(2,2,1)
sns.distplot(data)
#去除直方图，添加地毯图
pic.add_subplot(2,2,2)
sns.distplot(x,hist=False,rug=True)
#正态拟合参数分布，改变整体颜色
pic.add_subplot(2,2,3)
sns.distplot(x,fit=norm,kde=False,color='y')
#修改底层绘图函数参数
pic.add_subplot(2,2,4)
sns.distplot(x,rug=True,rug_kws={'color':"r"},kde_kws={'color':'k','lw':2,'label':'kde',"color":'b'},hist_kws={'histtype':'step','linewidth':2,'alpha':1,'color':'y'})