如何调整直方图的Kernel Density Estimation(KDE)平滑度以贴合直方图形态？

问题描述 #

我通过以下代码可视化了带有核密度估计（KDE）的直方图：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/diamonds.csv')

plt.subplots(figsize=(7,6), dpi=100)
sns.histplot(df.loc[df.cut=='Good', 'depth'], bins= 100, color="blue", label="pcts", kde = True)

plt.title('Iris Histogram')
plt.legend();

生成的KDE曲线过于平滑，我想调整它让曲线更贴合直方图的形状（类似更尖锐、跟随直方图起伏的曲线）。另外我也疑惑：是不是我混淆了概念，想要的其实是概率密度函数（PDF）？

解答 #

概念澄清 #

你没有混淆概念——KDE（核密度估计）本身就是对概率密度函数（PDF）的非参数估计方法，你想要的其实是带宽更小、拟合度更高的KDE曲线，而非另一种完全不同的曲线。

调整方法 #

Seaborn的histplot中，通过kde_kws参数传入配置字典，调整KDE的**带宽（bandwidth）**即可让曲线更贴合直方图：

• 使用bw_adjust参数：这是相对于默认带宽的缩放比例，值越小，带宽越小，曲线越“尖锐”、越贴合局部数据；值越大则越平滑。
• 也可以用bw_method直接指定带宽数值，不过bw_adjust更直观易用。

修改后的代码示例 #

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/diamonds.csv')

plt.subplots(figsize=(7,6), dpi=100)
# 通过kde_kws设置bw_adjust减小带宽，让KDE更贴合直方图
sns.histplot(
    df.loc[df.cut=='Good', 'depth'], 
    bins=100, 
    color="blue", 
    label="pcts", 
    kde=True,
    kde_kws={'bw_adjust': 0.2}  # 可尝试0.1-0.5区间的数值，找到符合预期的效果
)

plt.title('Diamonds Good Cut - Depth Distribution')  # 修正标题（原标题与数据集不匹配）
plt.legend();

说明 #

你可以根据需求调整bw_adjust的数值：比如0.2会让曲线明显贴合直方图的起伏，0.5则比默认更光滑但贴合度更高。如果需要更精细的控制，也可以用bw_method传入具体带宽值（比如bw_method=0.3），直接定义核函数的带宽大小。

内容的提问来源于stack exchange，提问作者Swawa