Kernel Density Estimation (KDE) เป็นวิธีประมาณฟังก์ชันความหนาแน่นความน่าจะเป็น (PDF) ของตัวแปรสุ่มต่อเนื่อง ใช้วิเคราะห์ข้อมูล Non-parametric (ไม่สมมติการกระจายตัว)
ใน Seaborn สามารถแสดง KDE ได้ด้วยฟังก์ชัน distplot (เวอร์ชันเก่า) หรือ kdeplot (เวอร์ชันใหม่ แนะนำ) โดยตั้งค่า kde=True และ hist=False เพื่อแสดงเฉพาะเส้น KDE
ตัวอย่างโค้ด (ใช้ distplot - เวอร์ชันเก่า)
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'], kde=True, hist=False)
plt.show()
ผลลัพธ์
คำอธิบาย
นำเข้า pandas, seaborn, matplotlib
โหลดข้อมูล Iris ไปยัง DataFrame
ใช้
distplotกับคอลัมน์ 'petal_length'ตั้งค่า
kde=True(แสดง KDE) และhist=False(ซ่อน Histogram)แสดงกราฟ
หมายเหตุ: distplot ถูก Deprecated แล้วใน Seaborn เวอร์ชันใหม่ ควรใช้ kdeplot หรือ displot(kind='kde') แทน
ตัวอย่างแบบใหม่ (แนะนำ)
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris')
sns.kdeplot(data=df, x='petal_length', fill=True)
plt.show()
พารามิเตอร์สำคัญของ kdeplot:
bw_method/bw_adjust: ควบคุมความเรียบของเส้น KDE (Bandwidth)fill=True: ทาสีพื้นที่ใต้เส้นmultiple: 'layer', 'stack', 'fill' สำหรับเปรียบเทียบหลายกลุ่ม
