Python 相当于sns.distplot(数据,fit=scipy.stats.norm)和plotly
一段时间以来,我一直在使用Python 相当于sns.distplot(数据,fit=scipy.stats.norm)和plotly,python,plotly,seaborn,plotly-python,plotly-express,Python,Plotly,Seaborn,Plotly Python,Plotly Express,一段时间以来,我一直在使用seaborn和plotly进行可视化,具体取决于我目前的需要。最近,我一直在尝试完全转到绘图,但有些事情我仍然不知道如何让它工作 例如,我曾经使用seaborn来检查一些数据的分布,看看它是否符合高斯分布。这可以通过以下代码段轻松完成: import seaborn as sns from scipy.stats import norm sns.distplot(data, fit=norm) 我一直在尝试使用plotly express(px.histogram
seaborn
和plotly
进行可视化,具体取决于我目前的需要。最近,我一直在尝试完全转到绘图
,但有些事情我仍然不知道如何让它工作
例如,我曾经使用seaborn来检查一些数据的分布,看看它是否符合高斯分布。这可以通过以下代码段轻松完成:
import seaborn as sns
from scipy.stats import norm
sns.distplot(data, fit=norm)
我一直在尝试使用plotly express
(px.histogram
)实现类似的快速高斯检查,但我无法完成。你能帮我处理这件事吗
编辑
“数据”的一个例子是:
import numpy as np
np.random.seed(123)
data = np.random.noncentral_chisquare(3, 20, 1000)
输出应显示数据直方图及其KDE,加上高斯等效KDE。这在测试转换结果(日志、框cox…)时很有帮助我想您可能对阅读感兴趣。显然,目前最简单的方法是使用
plotly.figure\u factory.create\u dist\u plot
,但从上面的链接看,它似乎要停止使用了
将numpy导入为np
将plotly.figure\u工厂作为ff导入
np.随机种子(123)
数据=np.随机.非中心平方(3,20,1000)
m=数据平均值()
s=data.std()
高斯数据=np.随机.正态(m,s,10000)
图=ff.create\u distplot(
[数据,高斯数据],
组_标签=[“绘图”、“高斯”],
曲线类型=“kde”)
fig.data=[fig.data[0],fig.data[2],fig.data[3]]
图更新_布局(showlegend=False)
图2(图3)
如果您使用
lst=列表(图数据)
一级流行音乐(1)
图数据=元组(lst)
你会得到
您介意添加您正在使用的数据吗?是的,这是我在plotly论坛上提出的问题。该解决方案的问题是ff.create_distplot将被中断,正如您所说,您必须创建一个大样本,以确保高斯数据是真正的高斯数据(大于原始数据)。你能设法解决这两个问题吗?也许用px.histogram,再加上一个痕迹。。。