python - 为什么 Pandas 和 Seaborn 为相同的数据生成不同的 KDE Plot?
问题描述
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 |
+-------+-------+
该表继续使用高达 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)
产生以下红色分布
Seaborn 没有捕捉到值的初始集中,而是对其余的值表现出更多的“敏感性”
然后我想起来pd.DataFrame.plot.kde()
了,所以我试了一下,它产生了这个捕捉注意力的情节
df.loc[(df.class== 1)].variable_of_interest.plot.kde()
重要提示:对于那些可能注意到 X 轴差异的人,我确实尝试使用 xlims(-500, 1000) 使用 seaborn,但情节仍然完全相同
你知道他们为什么会产生如此不同的情节吗?这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!
解决方案
出了问题的是kde主要用于连续数据,而您似乎正在处理离散数据。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“良好”的带宽。使用seaborn,您可以设置固定带宽sns.kdeplot(..., bw=0.5)
左右。或seaborn.distplot(..., kde=True, kde_kws={'bw': 0.5})
。与熊猫 df.plot.kde(bw_method=0.5, ...)
。请注意,“完美”带宽并不存在,它取决于数据、样本数量以及您对底层分布的了解。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。
下图显示了不同带宽如何影响 kdeplot:
推荐阅读
- reactjs - 错误:使用 MaterialTable 时挂钩调用无效
- json - 检查 BigQuery 中是否存在 JSON 键
- spring-boot - 带有 spring boot 石英调度器的控制器 - 集成测试
- drupal-8 - 防止匿名用户访问组页面drupal 8?
- flutter - 了解 Flutter + Material 应用程序中使用的默认样式
- android - 如何在颤动列表视图中显示以前的流内容和当前内容?
- java - 无效的 XPath 查询 - 在 Java 上使用 jcabi
- python - 使用 FiPy 求解椭圆 PDE
- api - 如何将 AllenNLP 模型连接到 Microsoft Web Chat 或 Microsoft Bot Framework
- node.js - 找不到 build/index.ts