在seaborn displot/histplot函数（不是distplot）中绘制适合直方图的高斯图

Question

我决定试一试seaborn 0.11.0 版！据我所知，使用将替换 distplot 的 displot 函数。我只是想弄清楚如何将高斯拟合绘制到直方图上。这是一些示例代码。

import seaborn as sns
import numpy as np
x = np.random.normal(size=500) * 0.1

使用 distplot 我可以做到：

sns.distplot(x, kde=False, fit=norm)

但是如何在 displot 或 histplot 中进行呢？

Answer 1

我fit也真的很怀念这个参数。当他们弃用该功能时，他们似乎并没有替换该distplot功能。在他们堵住这个漏洞之前，我创建了一个简短的函数来将正态分布覆盖添加到我的histplot. 我只需将函数与导入一起粘贴到文件顶部，然后只需添加一行即可在需要时添加覆盖。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

def normal(mean, std, color="black"):
    x = np.linspace(mean-4*std, mean+4*std, 200)
    p = stats.norm.pdf(x, mean, std)
    z = plt.plot(x, p, color, linewidth=2)

data = np.random.normal(size=500) * 0.1    
ax = sns.histplot(x=data, stat="density")
normal(data.mean(), data.std())

如果您更愿意使用，stat="probability"而不是stat="density"，您可以使用如下方式标准化拟合曲线：

def normal(mean, std, histmax=False, color="black"):
    x = np.linspace(mean-4*std, mean+4*std, 200)
    p = stats.norm.pdf(x, mean, std)
    if histmax:
        p = p*histmax/max(p)
    z = plt.plot(x, p, color, linewidth=2)

data = np.random.normal(size=500) * 0.1    
ax = sns.histplot(x=data, stat="probability")
normal(data.mean(), data.std(), histmax=ax.get_ylim()[1])

Answer 2

distplot关于参数的源代码fit=与此处其他答案已经建议的非常相似；初始化一些支持数组，使用给定数据的平均值/标准差计算 PDF 值，并将线图叠加在直方图的顶部。我们可以直接将代码的相关部分“转录”为自定义函数，并使用它来绘制高斯拟合（不一定是正态分布；可以是任何连续分布）。

示例实现如下。

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats

def add_fit_to_histplot(a, fit=stats.norm, ax=None):

    if ax is None:
        ax = plt.gca()

    # compute bandwidth
    bw = len(a)**(-1/5) * a.std(ddof=1)
    # initialize PDF support
    x = np.linspace(a.min()-bw*3, a.max()+bw*3, 200)
    # compute PDF parameters
    params = fit.fit(a)
    # compute PDF values
    y = fit.pdf(x, *params)
    # plot the fitted continuous distribution
    ax.plot(x, y, color='#282828')
    return ax

# sample data
x = np.random.default_rng(0).normal(1, 4, size=500) * 0.1

# plot histogram with gaussian fit
sns.histplot(x, stat='density')
add_fit_to_histplot(x, fit=stats.norm);

如果您不喜欢黑色边缘颜色或一般颜色，我们可以更改条形颜色、边缘颜色和 alpha 参数，以使输出histplot()与已弃用的distplot().

import numpy as np

# sample data
x = np.random.default_rng(0).normal(1, 4, size=500) * 0.1

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10,4))

# left subplot
sns.distplot(x, kde=False, fit=stats.norm, ax=ax1)
ax1.set_title('Using distplot')

# right subplot
sns.histplot(x, stat='density', color='#1f77b4', alpha=0.4, edgecolor='none', ax=ax2)
add_fit_to_histplot(x, fit=stats.norm, ax=ax2)
ax2.set_title('Using histplot+fit');

该答案与现有答案（1 , 2）不同，因为它在有数据的直方图上拟合高斯（或任何其他连续分布，例如伽玛）（这也是在 中绘制拟合的方式distplot()）。目的是distplot()尽可能地复制 的 fit 功能。

例如，假设您有遵循泊松分布的数据，绘制其直方图并绘制其高斯拟合。对于add_fit_to_histplot()，因为支持与数据端点相关（并使用斯科特的带宽规则），所以仅在直方图上有相应数据的情况下绘制生成的高斯拟合图，这也是使用（下面的distplot()左侧子图）绘制的方式。另一方面，即使没有相应的数据，ohtotasche的函数也会绘制，即正常 pdf 的左尾被完全绘制（下面的右侧子图）。normal()

data = np.random.default_rng(0).poisson(0.5, size=500)

fig, (a1, a2) = plt.subplots(1, 2, facecolor='white', figsize=(10,4))

# left subplot
sns.histplot(data, stat='density', color='#1f77b4', alpha=0.4, edgecolor='none', ax=a1)
add_fit_to_histplot(data, fit=stats.norm, ax=a1)
a1.set_title("With add_fit_to_histplot")

# right subplot
sns.histplot(x=data, stat="density", ax=a2)
normal(data.mean(), data.std())
a2.set_title("With ohtotasche's normal function")

Answer 3

抱歉我参加聚会迟到了。只需检查这是否满足您的要求。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

data = np.random.normal(size=500) * 0.1
mu, std = norm.fit(data)

# Plot the histogram.
plt.hist(data, bins=25, density=True, alpha=0.6, color='g')

# Plot the PDF.
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, mu, std)
plt.plot(x, p, 'k', linewidth=2)
plt.show()