Python中使用Seaborn绘制角度分布PDF的边缘拟合问题

你的问题核心在于角度数据是环形（周期性）的，而Seaborn默认的KDE是为线性数据设计的，它不会考虑-180°和180°其实是同一个点，所以会在边缘出现密度衰减、过渡突兀的问题。下面是两种有效的解决方法：

方法1：使用专门的环形KDE（推荐） #

利用scipy.stats中的circular_kde，它会直接处理数据的周期性，完美适配角度分布的拟合需求：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import circular_kde

def plot_circular_dist(angles_deg, color, label):
    # 将角度转换为弧度（circular_kde要求输入弧度）
    angles_rad = np.radians(angles_deg)
    # 创建环形KDE模型
    kde_model = circular_kde(angles_rad)
    # 生成-180°到180°对应的弧度序列
    x_rad = np.linspace(-np.pi, np.pi, 1000)
    # 计算密度值
    density = kde_model(x_rad)
    # 转换回角度用于绘图
    x_deg = np.degrees(x_rad)
    
    # 绘制直方图（保留原始数据的分布展示）
    sns.histplot(data=angles_deg, stat="density", bins=128, color=color, alpha=0.3)
    # 绘制环形KDE曲线
    plt.plot(x_deg, density, color=color, linewidth=2, label=label)

# 开始绘图
plt.figure(figsize=(10, 6))
for shear_val, color in zip(unique_shear_values, shear_palette_colors):
    subset = orientations[orientations['Shear'] == shear_val]
    plot_circular_dist(subset['Angle'], color, f'Shear: {shear_val}')

plt.xlabel('Angle (°)')
plt.ylabel('Density')
plt.xlim(-180, 180)
plt.legend()
plt.show()

方法2：扩展数据模拟周期性 #

如果不想引入额外的工具，可以通过复制并平移数据，让普通KDE“误以为”数据是连续的线性序列，从而实现边缘的平滑过渡：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
for shear_val, color in zip(unique_shear_values, shear_palette_colors):
    subset = orientations[orientations['Shear'] == shear_val]
    angles = subset['Angle']
    
    # 扩展数据：复制原始数据并分别平移±360°，让KDE连接-180°和180°
    extended_angles = np.concatenate([angles - 360, angles, angles + 360])
    
    # 绘制原始数据的直方图
    sns.histplot(data=angles, stat="density", bins=128, color=color, alpha=0.3)
    # 用扩展后的数据绘制KDE，最后只显示-180°到180°的范围
    sns.kdeplot(data=extended_angles, color=color, linewidth=2, label=f'Shear: {shear_val}')

plt.xlim(-180, 180)
plt.xlabel('Angle (°)')
plt.ylabel('Density')
plt.legend()
plt.show()

两种方法对比 #

• 环形KDE方法更专业，完全适配环形数据的统计特性，拟合精度更高，边缘过渡自然。
• 数据扩展方法更简洁，无需额外依赖，适合快速验证效果，但极端情况下的拟合准确度略逊于专门的环形KDE。

内容的提问来源于stack exchange，提问作者Asterion