Python 带加权数据的分布类型图（直方图/kde）

简而言之，当我的数据被加权时，我对分布类型图（直方图或kde）的最佳选择是什么

df = pd.DataFrame({ 'x':[1,2,3,4], 'wt':[7,5,3,1] })

df.x.plot(kind='hist',weights=df.wt.values)

这很好，但seaborn不会接受重量限制，即

sns.distplot( df.x, bins=4,              # doesn't work like this
              weights=df.wt.values )     # or with kde=False added

如果kde能接受重量，那也不错，但熊猫和seaborn似乎都不允许

顺便说一句，我意识到数据可能会被扩展以伪造权重，这在这里很容易，但对于权重为数百或数千的真实数据没有多大用处，所以我不想寻找这样的解决方法

---

总之，就这些。我只是想找出除了基本直方图之外，我还能用加权数据做什么（如果有的话）。我还没有玩弄bokeh，但是bokeh的建议也很受欢迎。

您必须了解seaborn使用的matplotlib绘图功能也正是pandas使用的功能

如前所述，

sns.distplot

不接受

weights

参数，但它接受

hist_kws

参数，该参数将被发送到对

plt.hist

的底层调用。因此，这应该满足您的要求：

sns.distplot(df.x, bins=4, hist_kws={'weights':df.wt.values}) 

---

我通过根据数据点的权重重新采样来解决这个问题

您可以这样做：

from random import random
from bisect import bisect

def weighted_choice(choices):
    values, weights = zip(*choices)
    total = 0
    cum_weights = []
    for w in weights:
        total += w
        cum_weights.append(total)
    x = random() * total
    i = bisect(cum_weights, x)
    return values[i]

samples = [([5, 0.5], 0.1), ([0, 10], 0.3), ([0, -4], 0.3)]
choices = np.array([weighted_choice(samples) for c in range(1000)])
sns.distributions.kdeplot(choices[:, 0], choices[:, 1], shade=True)

---

是的，谢谢，这很有帮助。我不知道如何把kwarg传递给matplotlib。我现在将进行升级投票，但将其保留一段时间，以防有人对kde或类似的东西有想法。Seaborns kde plots使用python包statmodels进行计算。相关函数采用了权重论证，但似乎seaborn并未提出这一点。相关源文件：好的，谢谢。看起来权重可能还没有实现（我不能从快速浏览中确定）。不管怎样，我现在就结束这个话题，也许以后再问一个关于kde的问题。好的。顺便说一句：mwaskom也是如此，考虑到这个问题带有seaborn标签，他可能会看看这个问题。那么我们就可以确定了。这里的问题和答案都一样：