为什么 Pandas 和 Seaborn 为相同的数据生成不同的 KDE 图？

Question

我正在尝试查看具有以下值的变量的分布..

+-------+-------+
| Value | Count |
+-------+-------+
| 0.0   |   355 |
| 1.0   |   935 |
| 2.0   |     1 |
| 3.0   |     2 |
| 4.0   |     1 |
+-------+-------+

table 继续使用高达 1000 的值，但 非常稀疏（总观测值 = 1622，几乎所有观测值都落在 0 或 1 中）

所以在绘图时我做了：

sns.distplot(kde=True, a = df.loc[(df.class == 1)].variable_of_interest)

产生如下红色分布

Seaborn 不捕获初始集中的值，但显示更多 "sensibility" 到其余值

然后我想起了 pd.DataFrame.plot.kde() ，所以我试了一下，它产生了这个捕捉浓度的图

df.loc[(df.class== 1)].variable_of_interest.plot.kde()

重要说明：对于那些可能注意到 X 轴不同的人，我确实尝试了使用 xlims(-500, 1000) 的 seaborn，但情节仍然完全相同

你知道为什么他们会生成如此不同的情节吗？与他们处理数据的方式有关，还是我做错了什么？

非常感谢您！

Answer 1

问题在于 kde 主要用于连续数据，而您似乎在处理离散数据。一个重要的参数是bandwidth：它越小，曲线越接近数据，越宽越好表示一般形式。

似乎 seaborn 和 pandas 在这里使用不同的方法来估计 "good" 带宽。用seaborn you could set a fixed bandwidth sns.kdeplot(..., bw=0.5) or so. Or seaborn.distplot(..., kde=True, kde_kws={'bw': 0.5}). With pandasdf.plot.kde(bw_method=0.5, ...)。请注意 "perfect" 带宽不存在，它取决于数据、样本数量以及您对基础分布的了解。默认的 seaborn 和 pandas 选择只是一个经验法则，它可能对您的数据有用或无用。未来的版本可能会使用不同的经验法则。

下图显示了不同的带宽如何影响 kdeplot：

为什么 Pandas 和 Seaborn 为相同的数据生成不同的 KDE 图？

Why are Pandas and Seaborn producing different KDE Plot for same data?

python

pandas

seaborn

kde-plasma