Matplotlib CDF图|极客笔记

Matplotlib CDF图

在数据可视化中，累积密度函数（Cumulative Density Function，CDF）图是一种展示累积概率分布的有效工具。而Matplotlib是Python中最流行的绘图库之一，提供了丰富的绘图功能，包括绘制CDF图的功能。本文将详细讲解如何使用Matplotlib绘制CDF图，并给出示例代码。

什么是CDF图

累积密度函数（Cumulative Density Function，CDF）是一种描述连续随机变量的概率密度函数在某一点或者某一点之前的概率的函数。CDF图可以展示数据集中各个值出现的累积概率，帮助我们更直观地了解数据的分布情况。

如何绘制CDF图

在绘制CDF图之前，我们首先需要准备数据。假设我们有一个包含随机正态分布数据的数据集，我们可以使用NumPy生成这个数据集：

import numpy as np

np.random.seed(42)
data = np.random.normal(loc=0, scale=1, size=1000)

上面的代码生成了一个包含1000个随机正态分布数据的数据集。

接下来，我们需要计算数据集的CDF。我们可以使用SciPy库中的stats模块来计算CDF：

from scipy import stats

kde = stats.gaussian_kde(data)
x = np.linspace(data.min(), data.max(), 1000)
cdf = kde.integrate_box_1d(-np.inf, x)

在上面的代码中，我们使用gaussian_kde函数创建一个核密度估计对象kde，然后使用integrate_box_1d方法计算数据集在各个点的累积密度。接下来，我们可以使用Matplotlib绘制CDF图：

import matplotlib.pyplot as plt

plt.plot(x, cdf, label='CDF')
plt.xlabel('Value')
plt.ylabel('CDF')
plt.legend()
plt.show()

上面的代码中，我们使用plot函数绘制CDF图，横轴表示数据集的值，纵轴表示值的累积概率。然后使用xlabel和ylabel函数给图添加轴标签，使用legend函数添加图例。最后使用show函数展示CDF图。

示例代码运行结果

下面是完整的示例代码及其运行结果：

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

np.random.seed(42)
data = np.random.normal(loc=0, scale=1, size=1000)

kde = stats.gaussian_kde(data)
x = np.linspace(data.min(), data.max(), 1000)
cdf = kde.integrate_box_1d(-np.inf, x)

plt.plot(x, cdf, label='CDF')
plt.xlabel('Value')
plt.ylabel('CDF')
plt.legend()
plt.show()

绘制出来的CDF图可以让我们直观地了解数据集中各个值的累积概率分布情况，有助于我们深入分析数据的特征和分布。