如何使用 Seaborn histplot 制作带有密度图的直方图？

直方图是表示一组连续数据分布的可视化工具。在直方图中，数据被划分为一组区间或区间（通常在 x 轴上）以及落入每个区间的数据点计数，对应于该区间上方的条形高度。这些 bin 的宽度可能相等，也可能不同，但相邻（没有间隙）。

密度图（也称为核密度图）是另一种用于评估数据分布的可视化工具。它可以被认为是一个平滑的直方图。密度图的峰值有助于显示值在区间内的集中位置。有多种平滑技术。核密度估计(KDE) 是用于平滑直方图的技术之一。

Seaborn 是一个基于Python中 matplotlib 的数据可视化库。在本文中，我们将使用seaborn.histplot()绘制带有密度图的直方图。

Syntax: seaborn.histplot(data, x, y, hue, stat, bins, binwidth, discrete, kde, log_scale)

Parameters:-

• data: input data in the form of Dataframe or Numpy array
• x, y (optional): key of the data to be positioned on the x and y axes respectively
• hue (optional): semantic data key which is mapped to determine the color of plot elements
• stat (optional): count, frequency, density or probability

Return: This method returns the matplotlib axes with the plot drawn on it.

示例 1：我们将使用 random.randn() 方法生成数据。

Python3

# Import necessary libraries
import seaborn as sns
import numpy as np
import pandas as pd
  
# Genearting dataset of random numbers
np.random.seed(1)
num_var = np.random.randn(1000)
num_var = pd.Series(num_var, name = "Numerical Variable")
  
# Plot histogram
sns.histplot(data = num_var, kde = True)

输出：

默认情况下， seaborn.histplot的kde参数设置为 false。因此，通过将kde设置为 true，计算核密度估计以平滑分布并绘制密度图线。

示例 2：让我们在本示例中使用来自 Seaborn 库的样本数据集 Penguins。该数据集显示了不同岛屿上不同企鹅物种的特征（体重、鳍状肢长度、喙长度性别）。

蟒蛇3

# Import necessary libraries
import numpy as np
import pandas as pd
import seaborn as sns
  
# Load dataset
penguins = sns.load_dataset("penguins")
  
# Plot histogram
sns.histplot(data = penguins, x = "body_mass_g", kde = True)

输出：

我们还可以在一个图中可视化多个物种的体重分布。色调参数映射语义变量“物种”。

蟒蛇3

# Plot Histogram
sns.histplot(data = penguins, x = "body_mass_g", kde = True, hue = "species")

输出：

示例 3：此示例使用来自 Seaborn 库的示例数据集 Tips，该数据集记录了餐厅服务器收到的提示。它包括收到的小费总账单或餐费、顾客的性别、顾客聚会的规模、日期、时间以及聚会上是否有吸烟者。此示例中的直方图不是数据点的计数，而是标准化的，以便每个条的高度显示概率。

蟒蛇3

# Import necessary libraries
import numpy as np
import pandas as pd
import seaborn as sns
  
# Load dataset
tips = sns.load_dataset("tips")
  
# Plot histogram
sns.histplot(data = tips, x = "size", stat = "probability", discrete = True)

输出：