嘿，这个需求很常见！既然你已经用R的density()完成了高斯核密度估计，要得到对应的CDF（累积分布函数）并绘图其实只需要两步：对密度曲线做数值积分，然后把积分结果可视化就行。下面给你具体的操作步骤和代码示例：

步骤1：准备你的核密度估计结果 #

首先假设你已经有了自己的数据集，或者我们用模拟数据来演示：

# 生成模拟数据（比如1000个正态分布样本）
set.seed(123)  # 设置随机种子保证结果可复现
x <- rnorm(1000, mean = 0, sd = 1)

# 用高斯核做密度估计
dens <- density(x, kernel = "gaussian")

这里dens就是density()返回的对象，里面包含了两个关键向量：dens$x是密度曲线的横坐标点，dens$y是对应的密度值。

步骤2：计算CDF数值 #

CDF的本质是密度函数从负无穷到当前x点的积分。因为density()返回的x是等间距的，我们可以用累积求和+区间宽度来近似计算积分：

# 计算每个区间的宽度（所有区间宽度一致，取第一个即可）
bin_width <- diff(dens$x)[1]

# 计算CDF：每个点的CDF值是前面所有密度值乘以区间宽度的累积和
cdf_vals <- cumsum(dens$y) * bin_width

这样cdf_vals就和dens$x一一对应，每个值就是对应x点的累积概率。

步骤3：绘制CDF图形 #

用基础绘图工具就能轻松画出平滑的CDF曲线：

# 绘制CDF曲线
plot(dens$x, cdf_vals, 
     type = "l",  # 绘制折线
     lwd = 2,     # 线条粗细
     col = "#2E86AB",  # 自定义颜色
     xlab = "变量值", 
     ylab = "累积概率 (CDF)",
     main = "基于高斯核密度估计的CDF")

# 添加参考线（y=0和y=1）
abline(h = c(0, 1), col = "gray50", lty = 2)

# 添加网格线
grid()

如果你想用ggplot2绘图，代码也很简单：

library(ggplot2)
# 把数据转成数据框
df <- data.frame(x = dens$x, cdf = cdf_vals)

ggplot(df, aes(x = x, y = cdf)) +
  geom_line(color = "#2E86AB", linewidth = 1.2) +
  geom_hline(yintercept = c(0,1), color = "gray50", linetype = "dashed") +
  labs(x = "变量值", y = "累积概率 (CDF)", title = "基于高斯核密度估计的CDF") +
  theme_minimal()

额外小提示 #

• 如果你的密度估计结果不是等间距的（虽然density()默认是等距的），可以用approxfun()先把密度函数转为插值函数，再用integrate()逐个计算积分，但对于density()的输出，用cumsum的方法已经足够高效和准确。
• 你可以通过调整density()的n参数（默认是512）来增加横坐标点的数量，让CDF曲线更平滑。

内容的提问来源于stack exchange，提问作者Rosbert