由于直方图受组距（bin size）影响很大，设置不同的组距可能会产生完全不同的可视化结果。因此我们可以用密度平滑估计来更好地反映数据的真实特征。具体可参见这篇文章：。

 

还是用我们自己创建的一组符合正态分布的数据来画图。

 

准备工作：先导入matplotlib，seaborn和numpy，然后创建一个图像和一个坐标轴

import numpy as npfrom matplotlib import pyplot as pltimport seaborn as snsfig,ax=plt.subplots()

 

用seaborn画核密度图:  sns.kdeplot(x,shade=True)

 

让我们在用matplotlib画好的直方图的基础上画核密度图：

import numpy as npfrom matplotlib import pyplot as pltimport seaborn as snsfig,ax=plt.subplots()np.random.seed(4) #设置随机数种子Gaussian=np.random.normal(0,1,1000) #创建一组平均数为0，标准差为1，总个数为1000的符合标准正态分布的数据ax.hist(Gaussian,bins=25,histtype="stepfilled",normed=True,alpha=0.6)sns.kdeplot(Gaussian,shade=True)plt.show()

 

图像如下：

注意：导入seaborn包后，绘图风格自动变为seaborn风格。

 

另外，可以用distplot命令把直方图和KDE一次性画出来。

 

用seaborn画直方图和核密度图:  sns.distplot(x)

 

代码如下：

import numpy as npfrom matplotlib import pyplot as pltimport seaborn as snsnp.random.seed(4) #设置随机数种子Gaussian=np.random.normal(0,1,1000) #创建一组平均数为0，标准差为1，总个数为1000的符合标准正态分布的数据sns.distplot(Gaussian) plt.show()

 

图像和上面基本一致：