核密度估計圖介紹

核密度估計（Kernel Density Estimation，KDE）是一種用于估計數據概率密度函數的非參數方法。與直方圖不同，KDE 可以生成平滑的密度曲線，更好地反映數據的分布情況。核密度估計圖（KDE 圖）通過將核函數（通常是高斯核）應用于每個數據點，并將這些核函數的和作為密度估計來生成。

效果

代碼

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde# 生成示例數據
data = np.random.normal(0, 1, 1000)  # 生成1000個符合正態分布的數據點# 使用高斯核密度估計
kde = gaussian_kde(data)# 生成核密度估計的x值
x_vals = np.linspace(min(data), max(data), 1000)
# 計算核密度估計的y值
y_vals = kde(x_vals)# 繪制核密度估計圖
plt.figure(figsize=(8, 6))
plt.plot(x_vals, y_vals, label='KDE', color='blue')
plt.fill_between(x_vals, y_vals, alpha=0.5)
plt.title('Kernel Density Estimation')
plt.xlabel('Data')
plt.ylabel('Density')
plt.legend()
plt.show()