标签: kernel-density

代码：

require(ggplot2)
set.seed(0)
xvar <- rnorm(100)
ggplot(data.frame(xvar), aes(xvar)) + geom_density(fill="lightblue") + scale_y_log10()

该图是这样的：

如何使图形阴影位于密度估计的右侧（即下方）？

如何从非标准分布中获得归一化常数。前任：

x <- c(rnorm(500,10,1),rnorm(500,20,2),rnorm(500,35,1))

在 R 中使用密度后

dens<-density(x,n=length(x),adjust=0.4)

我正在尝试构建一个图,其中我绘制了正态分布的变量,显示了它们在x轴上的平均值和y轴上的标准偏差(SD).有点像密度图,但不是在y轴上有密度,我想要SD(值).

我正在处理下面的数据,

set.seed(1)
mu1 <- rnorm(10^5, mean = 1, sd = 1)
mu3 <- rnorm(10^5, mean = 3, sd = 2)

两个正态分布的变量.在这里他们的意思和sd,

# install.packages("tidyverse", dependencies = TRUE)
require(tidyverse)
tibble(mu1, mu3) %>% summarise_all(funs(mean, sd))
#> # A tibble: 1 x 4
#>    mu1_mean mu3_mean    mu1_sd   mu3_sd
#>       <dbl>    <dbl>     <dbl>    <dbl>
#> 1 0.9993454 3.000825 0.9982848 1.998234

我玩过ggplot2和其他整齐的软件包,以便更接近我想要的东西.我也试过从一个盒子图中复制这个函数做类似的事情,但是还成功了.

这是我的开始,

tibble(mu1, mu3) %>% gather() %>% ggplot() + 
  geom_density(aes(x = value, colour = key)) + 
  labs(x = …

我很抱歉这个可能很愚蠢的问题,但我现在正试着用几个小时来估算一组2d数据的密度.我们假设我的数据由数组给出:sample = np.random.uniform(0,1,size=(50,2)).我只是想使用scipys scikit learn package来估算样本数组的密度(这当然是2d均匀密度),我正在尝试以下方法:

import numpy as np
from sklearn.neighbors.kde import KernelDensity
from matplotlib import pyplot as plt
sp = 0.01

samples = np.random.uniform(0,1,size=(50,2))  # random samples
x = y = np.linspace(0,1,100)
X,Y = np.meshgrid(x,y)     # creating grid of data , to evaluate estimated density on

kde = KernelDensity(kernel='gaussian', bandwidth=0.2).fit(samples) # creating density from samples

kde.score_samples(X,Y) # I want to evaluate the estimated density on the X,Y grid

但最后一步总是产生错误: score_samples() takes 2 positional arguments but 3 …

我有一个Dt像这样的Pandas数据帧():

  Pc     Cvt      C1    C2    C3    C4    C5    C6    C7    C8    C9   C10 
   0       1       2  0.08  0.17  0.16  0.31  0.62  0.66  0.63  0.52  0.38   
   1       2       2  0.09  0.15  0.13  0.49  0.71  1.28  0.42  1.04  0.43   
   2       3       2  0.13  0.24  0.22  0.17  0.66  0.17  0.28  0.11  0.30  
   3       4       1  0.21  0.10  0.23  0.08  0.53  0.14  0.59  0.06  0.53  
   4       5       1  0.16  0.21  0.18  0.13  0.44  0.08  0.29  0.12  0.52  
   5       6       1  0.14  0.14 …

这个想法是在沿 1D 散布的每个点上方堆叠一个内核。具体来说，内核的峰值与每个点的 x 轴点对齐/居中。这类似于 内核密度估计，除了如下图所示，每个点仅堆叠一半内核。

最终，将计算每个密度的总和，并将产生一条曲线（即灰线），如下所示。

作为起点，我挖掘了scikit学习模块的核密度估计以获得一个想法。但是，我没有找到任何关于它们在每个点顶部内核的堆栈的方式/位置的任何行。

如果有人可以为我提供很好的阅读材料以实现这一目标，我真的很感激。

如何缩放seaborn联合图的边际kdeplot？

假设我们有 1000 个类型“a”的数据、100 个类型“b”的数据和“100”个类型“c”的数据。

在这种情况下，边际 kdeplot 的尺度看起来并不相同，因为分类数据的大小完全不同。

我如何使这些相同？

我制作了一个玩具脚本，如下所示：

import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pylab as plt

ax, ay = 1 * np.random.randn(1000) + 2, 1 * np.random.randn(1000) + 2
bx, by = 1 * np.random.randn(100) + 3, 1 * np.random.randn(100) + 3
cx, cy = 1 * np.random.randn(100) + 4, 1 * np.random.randn(100) + 4

a = [{'x': x, 'y': y, 'kind': 'a'} for x, y in zip(ax, ay)]
b …

我想知道是否有一个参数来抑制 R 中附带的默认灰色水平abline(见下图)density()？

plot(density(rnorm(1e4)))

我想生成一个具有两个 y 轴的图形：（Count来自直方图）和Density（来自 KDE）。

我想sns.displot在 Seaborn 中使用>= v 0.11。

import seaborn as sns

df = sns.load_dataset('tips')

# graph 1: This should be the Y-Axis on the left side of the figure
sns.displot(df['total_bill'], kind='hist', bins=10)

# graph 2: This should be the Y-axis on the right side of the figure
sns.displot(df['total_bill'], kind='kde')

我编写的代码生成两个单独的图表；我可以只对两个单独的图形使用分面网格，但我想要更简洁，并将两个单独的网格上的两个 y 轴放置到共享相同 x 轴的单个图形中。

我遇到过一些可以进行核密度估计的方法，这些方法将为数据样本提供 PDF：

• KDEpy
• sklearn.neighbors.KernelDensity
• scipy.stats.gaussian_kde

使用上述任何一种方法我都可以生成 PDF，但是我想知道如何获取我正在生成的 PDF 的 CDF。在数学中，我知道您可以对 PDF 进行积分以获得 CDF，但问题是这些方法仅提供 x 和 y 点，而不是要积分的函数。

我想知道如何将给出的数据转换为 CDF 图，或者找到数据的 PDF 函数，然后积分以获得 CDF。或者使用另一种方法，其中输出是 CDF 而不是 PDF。