如何在matplotlib

Question

正如Joe Kington在这个问题中回答的那样：How can I make a scatter plot colored by density in matplotlib，我制作了一个由密度着色的散点图。但是，由于我的数据分布复杂，我想更改用于计算密度的参数。 以下是一些类似于我的假数据的结果： 我想校准gaussian_kde的密度计算，以便绘图的左边部分如下所示： 我不喜欢第一个图，因为点组会影响相邻点组的密度，这使我无法分析组内的分布。换句话说，即使8个组中的每个组具有完全相同的分布，也不会在图表上显示。

我试图修改covariance_factor（就像我曾经为密度超过x的2d图所做的那样），但是当gaussian_kde与多维数组一起使用时，它返回一个numpy.ndarray，而不是“scipy.stats.kde.gaussian_kde” “对象。另外，我甚至不知道改变covariance_factor是否会这样做。

这是我的虚拟代码：

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

# Generate fake data
a = np.random.normal(size=1000)
b = np.random.normal(size=1000)

# Data for the first image
x = np.concatenate((a+10,a+10,a+20,a+20,a+30,a+30,a+40,a+40,a+80))
y = np.concatenate((b+10,b-10,b+10,b-10,b+10,b-10,b+10,b-10,b*4))

# Data for the second image
#x = np.concatenate((a+10,a+10,a+20,a+20,a+30,a+30,a+40,a+40))
#y = np.concatenate((b+10,b-10,b+10,b-10,b+10,b-10,b+10,b-10))

# Calculate the point density
xy = np.vstack([x,y])
z = gaussian_kde(xy)(xy)

# My unsuccesfull try to modify covariance which would work in 1D with "z = gaussian_kde(x)"
#z.covariance_factor = lambda : 0.01
#z._compute_covariance()

# Sort the points by density, so that the densest points are plotted last
idx = z.argsort()
x, y, z = x[idx], y[idx], z[idx]

fig, ax = plt.subplots()
ax.scatter(x, y, c=z, s=50, edgecolor='')
plt.show()

解决方案可以使用其他密度计算器，我不介意。 目标是制作一个密度图，如上图所示，我可以使用密度参数。

我正在使用python 3.4.3

Answer 1

看过Seaborn了吗？它并不完全是您所要求的，但它已经具有生成密度图的功能：

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

# Generate fake data
a = np.random.normal(size=1000)
b = np.random.normal(size=1000)

# Data for the first image
x = np.concatenate((a+10, a+10, a+20, a+20, a+30, a+30, a+40, a+40, a+80))
y = np.concatenate((b+10, b-10, b+10, b-10, b+10, b-10, b+10, b-10, b*4))

sns.jointplot(x, y, kind="hex", stat_func=kendalltau)
sns.jointplot(x, y, kind="kde", stat_func=kendalltau)
plt.show()

它给出： 和