Pandas の plot.density メソッドで密度関数を推定

Pandas Series の plot.density メソッド

メソッドの概要

Series.plot.density(
    *,
    x=None,
    y=None,
    hue=None,
    palette=None,
    weights=None,
    stat="density",
    norm_hist=False,
    bw="scott",
    linewidth=1,
    fill=False,
    color=None,
    alpha=0.6,
    rug=False,
    legend=True,
    title=None,
    ax=None,
    **kwargs,
)

パラメータ

• x: データの列名
• y: 別の Series を指定して、2次元密度関数を推定
• hue: カテゴリ変数を指定して、グループごとに密度関数を推定
• palette: カラーパレット
• weights: データポイントの重み
• stat: 推定方法
  • "density": 密度関数
  • "probability": 確率密度関数
• norm_hist: ヒストグラムを正規化
• bw: カーネル幅
  • 数値: 固定値
  • "scott": スコットのルール
  • "silverman": シルバーマンのルール
• linewidth: 線の太さ
• fill: 曲線下面を塗りつぶす
• color: 線の色
• alpha: 透明度
• rug: データポイントを軸上に表示
• legend: 凡例を表示
• title: グラフのタイトル
• ax: Axes オブジェクト
• kwargs: その他のオプション

例

import pandas as pd

# データの準備
df = pd.DataFrame({"data": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]})

# 密度関数の推定
df.plot.density()

# 別の Series との2次元密度関数
df.plot.density(x="data", y="data")

# カテゴリ変数によるグループ化
df["category"] = ["A", "A", "B", "B", "A", "B", "A", "B", "A", "B"]
df.plot.density(x="data", hue="category")

出力例

メソッドの詳細

• stat パラメータで推定方法を選択できます。
  • "density": データポイントの確率密度を推定します。
  • "probability": データポイントの累積確率を推定します。
• norm_hist パラメータを True にすると、ヒストグラムが正規化されます。
• bw パラメータはカーネル幅を指定します。カーネル幅は、密度関数を推定するために使用するデータポイントの範囲を決定します。
• linewidth パラメータは、密度関数の曲線の太さを指定します。
• fill パラメータを True にすると、密度関数の曲線下面が塗りつぶされます。
• color パラメータは、密度関数の曲線の色を指定します。
• alpha パラメータは、密度関数の曲線の透明度を指定します。
• rug パラメータを True にすると、データポイントが軸上に表示されます。
• legend パラメータを False にすると、凡例が表示されなくなります。
• title パラメータは、グラフのタイトルを指定します。
• ax パラメータは、グラフを描画する Axes オブジェクトを指定します。

補足

• pandas.Series.plot.kde メソッドは pandas.Series.plot.density メソッドのエイリアスです。
• seaborn ライブラリの displot 関数を使用して、より高度な密度関数を推定できます。

Pandas Series の plot.density メソッドのサンプルコード

基本的な使い方

import pandas as pd

# データの準備
df = pd.DataFrame({"data": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]})

# 密度関数の推定
df.plot.density()

別の Series との2次元密度関数

# 別の Series との2次元密度関数
df.plot.density(x="data", y="data")

カテゴリ変数によるグループ化

# カテゴリ変数によるグループ化
df["category"] = ["A", "A", "B", "B", "A", "B", "A", "B", "A", "B"]
df.plot.density(x="data", hue="category")

パラメータの調整

# カーネル幅を調整
df.plot.density(x="data", bw=0.5)

# 線の色と太さを調整
df.plot.density(x="data", color="red", linewidth=2)

# 塗りつぶしと凡例を非表示
df.plot.density(x="data", fill=True, legend=False)

rug オプション

# データポイントを表示
df.plot.density(x="data", rug=True)

# rug オプションの詳細
df.plot.density(x="data", rug=dict(color="red", alpha=0.5))

seaborn ライブラリとの連携

import seaborn as sns

# seaborn の displot 関数
sns.displot(df.data)

# カテゴリ変数によるグループ化
sns.displot(df, x="data", hue="category")

ヒストグラムとの比較

# 密度関数とヒストグラムの比較
df.plot.density()
df.plot.hist()

• stat パラメータで推定方法を選択できます。
• norm_hist パラメータでヒストグラムの正規化
• title パラメータでグラフタイトル
• ax パラメータで Axes オブジェクト

• 基本的な使い方
• パラメータの調整
• rug オプション
• seaborn ライブラリとの連携
• ヒストグラムとの比較

サンプルコードを参考に、様々な設定を試して、データの分布を理解しましょう。

Pandas Series の密度関数を推定する他の方法

seaborn ライブラリの displot 関数は、より高度な密度関数を推定できます。

import seaborn as sns

# 基本的な使い方
sns.displot(df.data)

# カテゴリ変数によるグループ化
sns.displot(df, x="data", hue="category")

# パラメータの調整
sns.displot(df.data, kind="kde", rug=True, fill=True)

statsmodels ライブラリの kde 関数は、より細かい設定が可能

from statsmodels.nonparametric.kde import KDEUnivariate

# 密度関数の推定
kde = KDEUnivariate(df.data)
kde.fit()

# グラフの描画
kde.plot()

NumPy ライブラリの histogram 関数と gaussian_kde 関数を組み合わせて、密度関数を推定

import numpy as np

# ヒストグラムの算出
counts, bins = np.histogram(df.data)

# 密度関数の推定
kde = stats.gaussian_kde(df.data)

# グラフの描画
plt.plot(bins[:-1], kde(bins))
plt.show()

Matplotlib ライブラリの pyplot 関数を使って、より自由度の高いグラフを作成

import matplotlib.pyplot as plt

# データの準備
x = df.data

# 密度関数の推定
y = stats.gaussian_kde(x)(x)

# グラフの描画
plt.plot(x, y)
plt.show()

pandas.Series.plot.density メソッド以外にも、様々な方法で密度関数を推定できます。

• seaborn ライブラリの displot 関数: 高度な密度関数
• statsmodels ライブラリの kde 関数: 細かい設定
• NumPy ライブラリの histogram 関数と gaussian_kde 関数: 自由度
• Matplotlib ライブラリの pyplot 関数: 自由度の高いグラフ

目的に合った方法を選択して、データの分布を理解しましょう。