Como criar um gráfico de densidade em matplotlib?

No RI, é possível criar a saída desejada fazendo:

data = c(rep(1.5, 7), rep(2.5, 2), rep(3.5, 8),
         rep(4.5, 3), rep(5.5, 1), rep(6.5, 8))
plot(density(data, bw=0.5))

Em python (com matplotlib), o mais próximo que cheguei foi com um histograma simples:

import matplotlib.pyplot as plt
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
plt.hist(data, bins=6)
plt.show()

Eu também tentei o parâmetro normed = True, mas não consegui nada além de tentar ajustar um gaussiano ao histograma.

Minhas últimas tentativas foram por aí scipy.statse gaussian_kde, seguindo exemplos na web, mas não tive sucesso até agora.

Sven mostrou como usar a classe gaussian_kdede Scipy, mas você notará que não se parece muito com o que você gerou com R. Isso ocorre porque gaussian_kdetenta inferir a largura de banda automaticamente. Você pode brincar com a largura de banda mudando a função covariance_factorda gaussian_kdeclasse. Primeiro, aqui está o que você obtém sem alterar essa função:

No entanto, se eu usar o seguinte código:

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = gaussian_kde(data)
xs = np.linspace(0,8,200)
density.covariance_factor = lambda : .25
density._compute_covariance()
plt.plot(xs,density(xs))
plt.show()

eu recebo

o que é bem parecido com o que você está recebendo da R. O que eu fiz? gaussian_kdeusa uma função mutável, covariance_factorpara calcular sua largura de banda. Antes de alterar a função, o valor retornado por covariance_factor para esses dados era de cerca de 0,5. Reduzir isso reduziu a largura de banda. Tive que chamar _compute_covariancedepois de alterar essa função para que todos os fatores fossem calculados corretamente. Não é uma correspondência exata com o parâmetro bw de R, mas espero que ajude você a ir na direção certa.

Cinco anos depois, quando pesquisei "como criar um gráfico de densidade do kernel usando python" no Google, esse tópico ainda aparece no topo!

Hoje, uma maneira muito mais fácil de fazer isso é usar o seaborn , um pacote que oferece muitas funções convenientes de plotagem e bom gerenciamento de estilo.

import numpy as np
import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.set_style('whitegrid')
sns.kdeplot(np.array(data), bw=0.5)

Opção 1:

Use pandasdataframe plot (construído sobre matplotlib):

import pandas as pd
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
pd.DataFrame(data).plot(kind='density') # or pd.Series()

Opção 2:

Uso distplotde seaborn:

import seaborn as sns
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
sns.distplot(data, hist=False)

Talvez tente algo como:

import matplotlib.pyplot as plt
import numpy
from scipy import stats
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = stats.kde.gaussian_kde(data)
x = numpy.arange(0., 8, .1)
plt.plot(x, density(x))
plt.show()

Você pode facilmente substituir gaussian_kde()por uma estimativa de densidade de kernel diferente.

O gráfico de densidade também pode ser criado usando matplotlib: A função plt.hist (dados) retorna os valores y e x necessários para o gráfico de densidade (consulte a documentação https://matplotlib.org/3.1.1/api/_as_gen/ matplotlib.pyplot.hist.html ). Consequentemente, o código a seguir cria um gráfico de densidade usando a biblioteca matplotlib:

import matplotlib.pyplot as plt
dat=[-1,2,1,4,-5,3,6,1,2,1,2,5,6,5,6,2,2,2]
a=plt.hist(dat,density=True)
plt.close()
plt.figure()
plt.plot(a[1][1:],a[0])      

Este código retorna o seguinte gráfico de densidade