在使用 Python 进行核密度估计（KDE）的分组统计并进行可视化绘图时，可以借助 `seaborn` 和 `matplotlib` 库来实现。以下是一个完整的代码示例，展示了如何根据不同的分组变量绘制 KDE 图。 ### 示例数据 首先，我们生成一些示例数据，包含两个不同的分组（`Group A` 和 `Group B`）： ```python import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 生成示例数据 np.random.seed(42) data = pd.DataFrame({ 'value': np.concatenate([ np.random.normal(loc=0, scale=1, size=200), # Group A np.random.normal(loc=2, scale=1.5, size=200) # Group B ]), 'group': ['A'] * 200 + ['B'] * 200 }) ``` ### 使用 Seaborn 绘制分组 KDE 图 可以使用 `seaborn.kdeplot()` 或 `seaborn.displot()` 来绘制分组的 KDE 图： ```python # 使用 seaborn.kdeplot 进行分组 KDE 绘图 sns.kdeplot(data=data, x='value', hue='group', fill=True) plt.title('Grouped KDE Plot using Seaborn') plt.xlabel('Value') plt.ylabel('Density') plt.legend(title='Group') plt.show() ``` ### 使用 Matplotlib 和 Scipy 手动实现 KDE 分组绘图 如果希望更灵活地控制 KDE 计算和绘图过程，可以结合 `scipy.stats.gaussian_kde` 手动计算密度，并使用 `matplotlib` 绘图： ```python from scipy.stats import gaussian_kde # 按分组提取数据 group_a = data[data['group'] == 'A']['value'] group_b = data[data['group'] == 'B']['value'] # 计算 KDE x_range = np.linspace(min(data['value']), max(data['value']), 1000) kde_a = gaussian_kde(group_a)(x_range) kde_b = gaussian_kde(group_b)(x_range) # 使用 matplotlib 绘图 plt.plot(x_range, kde_a, label='Group A', color='blue') plt.plot(x_range, kde_b, label='Group B', color='orange') plt.fill_between(x_range, kde_a, alpha=0.3, color='blue') plt.fill_between(x_range, kde_b, alpha=0.3, color='orange') plt.title('Manual KDE Plot with Grouping') plt.xlabel('Value') plt.ylabel('Density') plt.legend() plt.show() ``` ### 可视化密度散点图（二维 KDE） 如果需要在二维空间中进行 KDE 分组可视化，可以使用 `seaborn.kdeplot()` 的二维 KDE 功能： ```python # 生成二维示例数据 data_2d = pd.DataFrame({ 'x': np.concatenate([np.random.normal(0, 1, 200), np.random.normal(3, 0.8, 200)]), 'y': np.concatenate([np.random.normal(0, 1, 200), np.random.normal(3, 0.8, 200)]), 'group': ['A'] * 200 + ['B'] * 200 }) # 二维 KDE 图 sns.kdeplot(data=data_2d, x='x', y='y', hue='group', fill=True) plt.title('2D KDE Plot with Grouping') plt.show() ``` 上述代码展示了如何使用 Python 对不同分组的数据进行核密度估计，并通过可视化方式呈现。这些方法在探索性数据分析中非常有用，尤其在比较不同类别数据分布时效果显著[^3]。