import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
density = kde.gaussian_kde(data)
x = np.linspace(-2,10,300)
y=density(x)
plt.plot(x, y)
plt.title("Density Plot of the data")
plt.show()
在这里，我们首先使用 gaussian_kde() 方法估计给定数据的密度函数。然后，我们用 plot() 方法绘制出从 -2 到 10 的值的函数。

生成的密度图足够是不精确的，这是由 gaussian_kde 函数自动设置带宽而导致的。为了设置带宽，我们可以使用 gaussian_kde 类的 covariance_factor 函数。然后我们调用 _compute_covariance 方法，使所有的因子都能正确计算，从而生成精确的图。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
prob_density = kde.gaussian_kde(data)
prob_density.covariance_factor = lambda : .25
prob_density._compute_covariance()
x = np.linspace(-2,10,300)
y=prob_density(x)
plt.plot(x, y)
plt.title("Density Plot of the data")
plt.show()
使用 seaborn 包中的 kdeplot() 方法生成密度图

import matplotlib.pyplot as plt
import seaborn as sns
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
sns.kdeplot(data,bw=0.25)
plt.show()
这样，我们只需将数据传入 kdeplot() 方法就可以生成密度图。
使用 distplot() 方法从 seaborn 包中生成密度图
我们也可以使用 seaborn 包中的 distplot() 方法，并设置 hist=False 来生成密度图。
import matplotlib.pyplot as plt
import seaborn as sns
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
sns.distplot(data,hist=False)
plt.show()
在 pandas.DataFrame.plot() 方法中设置 kind='density'来生成密度图
import pandas as pd
import matplotlib.pyplot as plt
data = [2,3,3,4,2,1,5,6,4,3,3,3,6,4,5,4,3,2]
df=pd.DataFrame(data)
df.plot(kind='density')
plt.show()