什么是密度图或核密度估计（KDE）图的目的？

阅读更多：Python 教程

密度图

密度图，也称为核密度估计（KDE）图，是一种显示数据概率密度函数（PDF）的图形展示，用于可视化数据的分布并识别数据中的模式和趋势。

密度图的目的是提供数据潜在分布的视觉呈现。它可以帮助您理解数据的形状和分布，并识别任何异常值或离群值。它还可以用于比较多个变量或组的分布。

由于它们不受bin数量的影响，密度图比直方图更擅长识别分布的形状。密度图包括例如正态分布曲线。

应用和解释

应用和解释：假设我们有一个1000个信用卡用户年龄的数据集。我们对年龄分布的分布情况感兴趣。

我们可以看到下面的图中峰值略高于45岁。如果桶宽为5岁，则在直方图中我们会发现这些值的集中程度在45-50岁范围内。但是，这个密度图为我们提供了更精确的位置。还提供了一个连续分布的视图。

如何解释密度曲线

利用密度曲线，可以快速且直观地了解特定数据集的值的分布情况，密度曲线存在各种大小和形状。它们特别有助于我们的可视化能力，包括：

峰值数

使用密度曲线可以快速确定特定分布中的“峰”，因为在上述情况的每个分布中只有一个峰，因此我们会将这些分布归类为单峰。然而，某些分布可含有两个峰，称为双峰分布。还有可能出现两个或多个峰的多模式分布。通过为数据集绘制密度曲线，我们可以快速确定分布中的峰数。

偏度

偏度是用于定义分布对称性的术语。我们可以通过密度曲线立刻了解到一个图是左倾斜、右倾斜还是没有偏斜。

均值和中位数的位置

根据密度曲线的偏斜程度，我们可以快速确定特定分布中均值或中位数的大小，更具体地说：

• 当密度曲线左倾斜时，均值小于中位数。

• 当密度曲线右倾斜时，均值大于中位数。

• 当密度曲线没有偏斜时，均值和中位数相同。

密度曲线的特性

密度曲线的特性如下−

• 每次，曲线下的面积都加起来达到100%。

• 曲线永远不会偏离x轴。

• 在为不同的分布生成或评估密度曲线时，要记住这两个事实。

KDE图

密度图，也称为核密度估计（KDE）图，是一种显示数据概率密度函数（PDF）的图形展示，用于可视化数据的分布并识别数据中的模式和趋势。

密度图的目的是提供数据潜在分布的视觉呈现。它可以帮助您理解数据的形状和分布，并识别任何异常值或离群值。它还可以用于比较多个变量或组的分布。

直方图是一堆矩形，无论选择什么间隔长度，它都会看起来波动起伏（再次想象砖块）。我们偶尔想要计算比较平滑的估计值，因为它可能更准确。我们可以略微调整我们的策略来考虑这个问题。

直方图技术将每个数据点转换为一个有定义面积的矩形，然后将其放置在“附近”相应的数据点上。如果我们可以在每个数据点上倒上一堆沙子并看看沙子如何堆积，而不是使用矩形呢？

结论

总之，密度图或KDE图是显示数据的概率密度函数的图形。 它用于可视化数据的分布，并识别数据中的模式和趋势。 密度图的目的是为您提供数据的基本分布的视觉表示，并帮助您理解数据的形状和传播。 它可用于比较多个变量或组的分布，并识别数据中的任何异常值或离群值。