基于Python的科研论文配图绘制（七）

Datawhale 8月 组队学习活动（虽然已经9月了）

参考书籍：《科研论文配图绘制指南—— 基于Python》，宁海涛著，人民邮电出版社

PS：已开学，中心已向学校内容为主

今天学校开始开Python课了，翻了一下教材目录，其实也会提到初步的用Matplotlib库的函数进行画图，已经开始期待了。

一、密度图

一般采用Seaborn 的 kdeplot() 函数结合 Scipy 库中的 gaussian_kde() 函数绘制

scikit-learn 库中 neighbors.KernelDensity() 模块提供 Gaussian、Tophat、Epanechnikov、 Exponential、Linear 和 Cosine 6 种核函数来进行核密度估计计算。

KDEpy 库提供了 9 种核函数，包括 Gaussian、Exponential、Box、Tri、Epa、Biweight、Triweight、Tricube、 Cosine等

二、Q-Q 图和 P-P 图

可以通过自定义函数的计算结果结合 Matplotlib 的 plot() 函数来绘制

第三方库可以采用SciPy 库中的 stats.probplot() 函数和 statsmodels 库 中 graphics.gofplots.ProbPlot 类 的 qqplot()、 ppplot() 函数。

三、经验分布函数图

一般采用Seaborn 库中的 ecdfplot() 函数同时利用 statsmodels 库中的 ECDF() 函数绘制的经验分布函数图

四、代码实现

统筹来看statsmodels库逐渐起了大作用