如何在Python中使用Seaborn库来显示核密度估计图（joinplot）？

Seaborn是一种可视化数据的库。它具有定制的主题和高级接口。

核密度估计（KDE）是一种方法，它可以估计连续随机变量的概率密度函数。该方法用于分析非参数值。在使用“jointplot”时，如果参数“kind”设置为“kde”，则会绘制核密度估计图。

让我们了解如何使用“jointplot”函数在Python中绘制核密度估计图。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
my_df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = my_df,kind = 'kde')
plt.show()

输出

解释

• 导入所需的模块。

• 输入数据为从Scikit-learn库中加载的“iris_data”。

• 该数据存储在数据帧中。

• 使用“load_dataset”函数来加载鸢尾花数据。

• 使用“jointplot”函数可视化数据。

• 此处将“x”和“y”轴值作为参数供给。

• 将“kind”参数设置为“kde”，以便绘制核密度估计图。

• 此核密度估计数据将在控制台上显示。