Lære Estimering av Tetthet med KDE

En kdeplot (kjerne-tetthetsestimering) er en metode for å visualisere fordelingen av observasjoner i et datasett. Den ligner på et histogram, men i stedet for å bruke diskrete intervaller, representerer KDE dataene med en kontinuerlig sannsynlighetstetthetskurve.

Dette gjør det utmerket for å se "formen" på dataene og identifisere topper uten den hakkete fremstillingen til et histogram.

Visualisering av overlappende fordelinger

Når du har flere kategorier (ved bruk av hue), kan enkle linjer bli vanskelige å skille fra hverandre. Seaborn tilbyr parametere for å løse dette:

Stabling (multiple='stack'): i stedet for å tegne linjer oppå hverandre, stables de. Dette viser hvordan ulike kategorier bidrar til den totale fordelingen;
Fylling (fill=True): fyller området under kurven med farge, noe som gjør den visuelle vekten til hver kategori mer tydelig.

Eksempel:


              12345678910111213141516
            
import seaborn as sns
import matplotlib.pyplot as plt

# Load built-in dataset
df = sns.load_dataset('penguins')

# Create the stacked KDE plot
sns.kdeplot(
    data=df,
    x='flipper_length_mm',
    hue='species',
    multiple='stack', # Stack categories vertically
    fill=True         # Fill area with color
)

plt.show()

Oppgave

Swipe to start coding

Visualiser fordelingen av maksimale temperaturer gjennom året:

Importer pandas, seaborn og matplotlib.pyplot.
Les inn værdatasettet.
Sett stilen til 'ticks' med bakgrunnsfarge 'lightcyan' (allerede satt).
Lag et KDE-diagram med følgende parametere:

Sett x til 'max_temp';
Grupper etter 'month' ved å bruke hue;
Stable distribusjonene med multiple='stack';
Fyll kurvene med fill=True;
Deaktiver legenden (legend=False) for å unngå at diagrammet blir rotete.

Vis diagrammet.

Løsning

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 5

single

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Sveip for å vise menyen