seaborn.kdeplot

参数：：一维阵列

**data2：一维阵列，可选。

第二输入数据。如果存在，将估计双变量KDE。

shade：布尔值，可选参数。

如果为True，则在KDE曲线下方的区域中增加阴影（或者在数据为双变量时使用填充的轮廓绘制）。

vertical：布尔值，可选参数。

如果为True，密度图将显示在x轴。

kernel：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }，可选参数

要拟合的核的形状代码，双变量KDE只能使用高斯核。

bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }，可选参数

用于确定双变量图的每个维的核大小、标量因子或标量的参考方法的名称。需要注意的是底层的计算库对此参数有不同的交互：statsmodels直接使用它，而scipy将其视为数据标准差的缩放因子。

gridsize：整型数据，可选参数。

cut：标量，可选参数。

绘制估计值以从极端数据点切割* bw。

clip：一对标量，可选参数。

用于拟合KDE图的数据点的上下限值。可以为双变量图提供一对（上，下）边界。

legend：布尔值，可选参数。

如果为True，为绘制的图像添加图例或者标记坐标轴。

如果为True，则绘制kde估计图的累积分布。

shade_lowest：布尔值，可选参数。

如果为True，则屏蔽双变量KDE图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时，可将此参数设置为“False”。

：布尔值，可选参数。

cbar_ax：matplotlib axes，可选参数。

用于绘制颜色条的坐标轴，若为空，就在主轴绘制颜色条。

cbar_kws：字典，可选参数。

fig.colorbar（）的关键字参数。

ax：matplotlib axes，可选参数。

要绘图的坐标轴，若为空，则使用当前轴。

kwargs：键值对

其他传递给plt.plot（）或plt.contour {f}的关键字参数，具体取决于是绘制单变量还是双变量图。

返回值：ax：matplotlib Axes

绘图的坐标轴。

另请参见

distplot

灵活绘制单变量观测值分布图。

绘制一个具有双变量和边缘分布的联合数据集。

绘制一个简单的单变量分布：

>>> import numpy as np; np.random.seed(10)
>>> import seaborn as sns; sns.set(color_codes=True)
>>> x, y = np.random.multivariate_normal(mean, cov, size=50).T
>>> ax = sns.kdeplot(x)

在密度曲线下使用不同的颜色着色：

绘制一个双变量分布：

使用填充轮廓：

>>> ax = sns.kdeplot(x, y, shade=True)

使用更多的轮廓级别和不同的调色板：

>>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d")

使用窄带宽：

在纵轴上绘制密度分布：

>>> ax = sns.kdeplot(y, vertical=True)

将密度曲线限制在数据范围内:

>>> ax = sns.kdeplot(x, cut=0)

为轮廓添加一个颜色条:

为双变量密度图绘制两个阴影：

>>> iris = sns.load_dataset("iris")
>>> virginica = iris.loc[iris.species == "virginica"]
>>> ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,
...                  cmap="Reds", shade=True, shade_lowest=False)
...                  cmap="Blues", shade=True, shade_lowest=False)