目录Python全系列 教程
3567个小节阅读：5929.2k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
核密度估计图是一种用于估计概率密度函数的非参数方法
核密度估计图可以帮助理解数据的分布情况，尤其在连续变量的情况下，它提供了一种平滑的、连续的概率密度估计
主要特点和作用包括：
连续概率密度估计： 核密度估计图通过在每个数据点周围放置核（通常是高斯核）来估计连续概率密度函数。这样，我们可以看到整个变量范围内的概率密度变化
平滑曲线： 生成的图表是一条平滑的曲线，反映了数据的整体趋势。相对于直方图，核密度估计提供了更连续、更平滑的概率密度表示
用于多变量分布： 核密度估计图也可以用于可视化多个变量的联合分布情况
kdeplot方法 核密度图
displot方法 支持多组、多图
xxxxxxxxxximport seaborn as sns
tips = sns.load_dataset("tips")
sns.kdeplot(data=tips, x="total_bill") # 单变量密度图sns.kdeplot(data=tips, x="total_bill", hue="time") # 分组sns.kdeplot(data=tips, x="total_bill", hue="time",multiple="stack") # 堆叠sns.kdeplot(data=tips, x="total_bill", hue="size",multiple="stack",alpha=.5,linewidth=0,palette="Blues") # 修改样式sns.kdeplot(data=tips, x="total_bill", y="tip") # 双变量密度图sns.kdeplot(data=tips, x="total_bill", y="tip",hue='sex') # 分组sns.kdeplot(data=tips, x="total_bill", y="tip",fill=True) # 填充
sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde') # 填充sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde',col='time') # 填充实时学习反馈
1. 使用seaborn模块绘制核密度图的方法是_____：
A sns.heatmap
B sns.kdeplot
C sns.boxplot
D sns.lineplot
答案
1=>B