使用 Python 绘制二维核密度估计

Question

我想绘制二维核密度估计。我发现 seaborn 包在这里非常有用。但是找了半天也没弄明白怎么让y轴和x轴不透明。另外，如何在轮廓上显示密度值？如果有人能帮助我，我将不胜感激。下面请看我的代码和图表。

import numpy as np
import seaborn as sns
import matplotlib.pyplot as pl

Y = np.random.multivariate_normal((0, 0), [[0.8, 0.05], [0.05, 0.7]], 100)
ax = sns.kdeplot(Y, shade = True, cmap = "PuBu")
ax.patch.set_facecolor('white')
ax.collections[0].set_alpha(0)
ax.set_xlabel('$Y_1$', fontsize = 15)
ax.set_ylabel('$Y_0$', fontsize = 15)
pl.xlim(-3, 3)
pl.ylim(-3, 3)
pl.plot([-3, 3], [-3, 3], color = "black", linewidth = 1)
pl.show()

Answer 1

你检查过这些例子了吗？

http://matplotlib.org/examples/pylab_examples/contour_demo.html

http://matplotlib.org/examples/pylab_examples/contourf_demo.html

向下滚动查看更多图片。

Answer 2

这是仅使用 scipy 和 matplotlib 的解决方案：

import numpy as np
import matplotlib.pyplot as pl
import scipy.stats as st

data = np.random.multivariate_normal((0, 0), [[0.8, 0.05], [0.05, 0.7]], 100)
x = data[:, 0]
y = data[:, 1]
xmin, xmax = -3, 3
ymin, ymax = -3, 3

# Peform the kernel density estimate
xx, yy = np.mgrid[xmin:xmax:100j, ymin:ymax:100j]
positions = np.vstack([xx.ravel(), yy.ravel()])
values = np.vstack([x, y])
kernel = st.gaussian_kde(values)
f = np.reshape(kernel(positions).T, xx.shape)

fig = pl.figure()
ax = fig.gca()
ax.set_xlim(xmin, xmax)
ax.set_ylim(ymin, ymax)
# Contourf plot
cfset = ax.contourf(xx, yy, f, cmap='Blues')
## Or kernel density estimate plot instead of the contourf plot
#ax.imshow(np.rot90(f), cmap='Blues', extent=[xmin, xmax, ymin, ymax])
# Contour plot
cset = ax.contour(xx, yy, f, colors='k')
# Label plot
ax.clabel(cset, inline=1, fontsize=10)
ax.set_xlabel('Y1')
ax.set_ylabel('Y0')

pl.show()

前面的代码给出了以下结果：

具有不透明的 x 轴、不透明的 y 轴和轮廓上的密度值。这是预期的结果吗？

使用 Python 绘制二维核密度估计

Plotting 2D Kernel Density Estimation with Python

python

matplotlib

plot

kernel

seaborn