0dayhub译者：hyuuo
seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)拟合并绘制单变量或双变量核密度估计图。
参数：data：一维阵列
输入数据
**data2：一维阵列，可选。
第二输入数据。如果存在，将估计双变量KDE。
shade：布尔值，可选参数。
如果为True，则在KDE曲线下方的区域中增加阴影（或者在数据为双变量时使用填充的轮廓绘制）。
vertical：布尔值，可选参数。
如果为True，密度图将显示在x轴。
kernel：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }，可选参数
要拟合的核的形状代码，双变量KDE只能使用高斯核。
bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }，可选参数
用于确定双变量图的每个维的核大小、标量因子或标量的参考方法的名称。需要注意的是底层的计算库对此参数有不同的交互：
statsmodels直接使用它，而scipy将其视为数据标准差的缩放因子。
gridsize：整型数据，可选参数。
评估网格中的离散点数。
cut：标量，可选参数。
绘制估计值以从极端数据点切割* bw。
clip：一对标量，可选参数。
用于拟合KDE图的数据点的上下限值。可以为双变量图提供一对（上，下）边界。
legend：布尔值，可选参数。
如果为True，为绘制的图像添加图例或者标记坐标轴。
cumulative：布尔值，可选参数。
如果为True，则绘制kde估计图的累积分布。
shade_lowest：布尔值，可选参数。
如果为True，则屏蔽双变量KDE图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时，可将此参数设置为“False”。
cbar：布尔值，可选参数。
如果为True并绘制双变量KDE图，为绘制的图像添加颜色条。
cbar_ax：matplotlib axes，可选参数。
用于绘制颜色条的坐标轴，若为空，就在主轴绘制颜色条。
cbar_kws：字典，可选参数。
fig.colorbar（）的关键字参数。
ax：matplotlib axes，可选参数。
要绘图的坐标轴，若为空，则使用当前轴。
kwargs：键值对
其他传递给
plt.plot（）或plt.contour {f}的关键字参数，具体取决于是绘制单变量还是双变量图。
返回值：ax：matplotlib Axes
绘图的坐标轴。
另请参见
distplot
灵活绘制单变量观测值分布图。
jointplot
绘制一个具有双变量和边缘分布的联合数据集。
范例
绘制一个简单的单变量分布：
>>> import numpy as np; np.random.seed(10)
>>> import seaborn as sns; sns.set(color_codes=True)
>>> mean, cov = [0, 2], [(1, .5), (.5, 1)]
>>> x, y = np.random.multivariate_normal(mean, cov, size=50).T
>>> ax = sns.kdeplot(x)
在密度曲线下使用不同的颜色着色：
>>> ax = sns.kdeplot(x, shade=True, color="r")
绘制一个双变量分布：
>>> ax = sns.kdeplot(x, y)
使用填充轮廓：
>>> ax = sns.kdeplot(x, y, shade=True)
使用更多的轮廓级别和不同的调色板：
>>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d")
使用窄带宽：
>>> ax = sns.kdeplot(x, bw=.15)
在纵轴上绘制密度分布：
>>> ax = sns.kdeplot(y, vertical=True)
将密度曲线限制在数据范围内:
>>> ax = sns.kdeplot(x, cut=0)
为轮廓添加一个颜色条:
>>> ax = sns.kdeplot(x, y, cbar=True)
为双变量密度图绘制两个阴影：
>>> iris = sns.load_dataset("iris")
>>> setosa = iris.loc[iris.species == "setosa"]
>>> virginica = iris.loc[iris.species == "virginica"]
>>> ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,
... cmap="Reds", shade=True, shade_lowest=False)
>>> ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,
... cmap="Blues", shade=True, shade_lowest=False)
