给企业做网站收入百度q3财报减亏170亿

核密度估计图介绍

核密度估计（Kernel Density Estimation，KDE）是一种用于估计数据概率密度函数的非参数方法。与直方图不同，KDE 可以生成平滑的密度曲线，更好地反映数据的分布情况。核密度估计图（KDE 图）通过将核函数（通常是高斯核）应用于每个数据点，并将这些核函数的和作为密度估计来生成。

效果

代码

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde# 生成示例数据
data = np.random.normal(0, 1, 1000)  # 生成1000个符合正态分布的数据点# 使用高斯核密度估计
kde = gaussian_kde(data)# 生成核密度估计的x值
x_vals = np.linspace(min(data), max(data), 1000)
# 计算核密度估计的y值
y_vals = kde(x_vals)# 绘制核密度估计图
plt.figure(figsize=(8, 6))
plt.plot(x_vals, y_vals, label='KDE', color='blue')
plt.fill_between(x_vals, y_vals, alpha=0.5)
plt.title('Kernel Density Estimation')
plt.xlabel('Data')
plt.ylabel('Density')
plt.legend()
plt.show()