在频率分布直方图中，当样本容量充分放大到极限时，组距极限缩短，这个时候频率直方图中的阶梯折线就会演变成一条光滑的曲线，这条曲线就称为总体的密度分布曲线。
这篇文章春江暮客将详细介绍如何使用python绘图库seaborn和panda里面的iris也就是鸢尾花卉数据集来绘制各种炫酷的密度曲线。
1.基本密度曲线
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
sns.kdeplot(df['sepal_width'])
使用seaborn画核密度曲线，只需要使用kdeplot就行，注意，密度曲线只需要一个变量就可以了，这里我们选用的是sepal_width这一列。
2.添加阴影的密度曲线
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
sns.kdeplot(df['sepal_width'],shade=True)
在kdeplot画图时制定shadow即可。
3.水平方向密度曲线
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
sns.kdeplot(df['sepal_width'],shade=True，vertical=True)
vertical指定是否变成横向的密度曲线，虽然英文的意思是垂直的，不是很好理解的样子，但是效果就是变成水平方向。0-0
4.频率宽度调整
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
p1 = sns.kdeplot(df['sepal_width'], shade=True, bw=.5, color="red")
p1 = sns.kdeplot(df['sepal_width'], shade=True, bw=.05, color="blue")
由于不同的频率宽度使得同一个数据得到的密度曲线不一样，频率宽度越小，会使得密度曲线越不平滑。
5.比较多个变量的密度曲线
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
p1=sns.kdeplot(df['sepal_width'], shade=True, color="red")
p1=sns.kdeplot(df['sepal_length'], shade=True, color="blue")
多个变量我们就画两个密度图放一起。
6.两变量点的密度曲线
import seaborn as sns
sns.set(color_codes=True)
sns.set_style("white")
df = pd.read_csv('iris.csv')
sns.kdeplot(df['sepal_width'],df['sepal_length'], shade=True, color="red")
需要注意的是，这里炫酷的地图一般的密度曲线跟前一个图是不一样的概念，一个是多个变量的分别对应的密度曲线，这个是一个二维数据的密度曲线，x,y是作为一个组合出现的。
总结：
针对如何使用python的seaborn包画出各种不同的炫酷的密度曲线图，本文进行了kdeplot函数的详细介绍，更多用法请参考官方文档。
