### 在直方图中叠加密度曲线 在Python中，可以通过 `matplotlib` 和 `seaborn` 库在直方图中叠加密度曲线，以直观展示数据分布的统计特征。密度曲线通常表示数据的核密度估计（KDE），它能够提供比直方图更平滑的概率分布信息。 #### 使用 `seaborn` 叠加密度曲线 `seaborn` 提供了 `distplot` 函数，可以同时绘制直方图和密度曲线。通过设置参数 `hist=True` 和 `kde=True`，可以在同一图表中显示两者。 示例代码： ```python import seaborn as sns import matplotlib.pyplot as plt import numpy as np # 生成示例数据 data = np.random.normal(loc=0, scale=1, size=1000) # 绘制直方图与密度曲线 sns.distplot(data, hist=True, kde=True, bins=20, color='blue', hist_kws={'edgecolor':'black'}, kde_kws={'linewidth': 2}) plt.title("直方图与密度曲线结合") plt.xlabel("值") plt.ylabel("密度") plt.show() ``` 该方法能够同时显示数据的频率分布和概率密度分布，适用于分析数据的统计特性 [^2]。 #### 使用 `matplotlib` 手动叠加密度曲线 如果需要更精细的控制，可以使用 `matplotlib` 手动绘制直方图，并通过 `scipy` 计算核密度估计，然后将密度曲线叠加到直方图上。 示例代码： ```python import matplotlib.pyplot as plt import numpy as np from scipy.stats import gaussian_kde # 生成示例数据 data = np.random.normal(loc=0, scale=1, size=1000) # 计算核密度估计 density = gaussian_kde(data) # 生成x轴数据点 xs = np.linspace(min(data), max(data), 200) density.covariance_factor = lambda: .25 density._compute_covariance() # 绘制直方图 plt.hist(data, bins=20, density=True, alpha=0.6, color='blue', edgecolor='black') # 绘制密度曲线 plt.plot(xs, density(xs), 'r-', linewidth=2) # 添加标签和标题 plt.title("手动叠加密度曲线") plt.xlabel("值") plt.ylabel("密度") plt.show() ``` 这种方法提供了更大的灵活性，适用于需要自定义绘图细节的场景 [^2]。 #### 使用 `seaborn` 分别绘制直方图和密度曲线 如果希望分别绘制直方图和密度曲线，可以通过两次调用 `sns.distplot`，分别设置 `hist=True` 和 `kde=True`，然后在同一张图表中显示。 示例代码： ```python import seaborn as sns import matplotlib.pyplot as plt # 加载示例数据 data = sns.load_dataset("tips")["total_bill"] # 绘制直方图 sns.distplot(data, bins=15, kde=False, hist_kws={'color': 'orange'}, norm_hist=True) # 绘制核密度曲线 sns.distplot(data, hist=False, kde_kws={'color': 'red', 'linestyle': '-'}, norm_hist=True) # 添加标签和标题 plt.xlabel("值") plt.ylabel("密度") plt.title("直方图与核密度曲线分离绘制") plt.show() ``` 此方法适用于需要对直方图和密度曲线分别设置不同参数的情况 [^4]。