kde

Génère un tracé d'estimation de la densité de noyau (KDE) à l'aide de noyaux gaussiens.

En statistiques, l'estimation de la densité de noyau est une méthode non paramétrique pour estimer la fonction de densité de probabilité (PDF) d'une variable aléatoire. Cette fonction utilise des noyaux gaussiens et inclut la détermination automatique de la bande passante.

Syntaxe

kde(bw_method, column=None, ind=None, **kwargs)

parameter

parameter	Type	Description
bw_method	entier ou décimal	La méthode utilisée pour calculer la bande passante de l'estimateur. Pour plus d'information, consultez KernelDensity dans PySpark.
column	str ou liste de str, facultatif	Nom de la colonne ou liste de noms à utiliser pour créer le tracé KDE. Si None (default), toutes les colonnes numériques sont utilisées.
ind	liste de nombres à virgule flottante, tableau NumPy ou entier, facultatif	Points d'évaluation pour le PDF estimé. Si None (par default), 1000 points espacés de manière égale sont utilisés. S'il s'agit d'un tableau NumPy, le KDE est évalué à ces points. S'il s'agit d'un entier, un nombre égal de points espacés de manière égale sont utilisés.
**kwargs	Facultatif	Arguments de mot clé supplémentaires.

parameter	Type	Description
bw_method	entier ou décimal	La méthode utilisée pour calculer la bande passante de l'estimateur. Pour plus d'information, consultez KernelDensity dans PySpark.
column	str ou liste de str, facultatif	Nom de la colonne ou liste de noms à utiliser pour créer le tracé KDE. Si None (default), toutes les colonnes numériques sont utilisées.
ind	liste de nombres à virgule flottante, tableau NumPy ou entier, facultatif	Points d'évaluation pour le PDF estimé. Si None (par default), 1000 points espacés de manière égale sont utilisés. S'il s'agit d'un tableau NumPy, le KDE est évalué à ces points. S'il s'agit d'un entier, un nombre égal de points espacés de manière égale sont utilisés.
**kwargs	Facultatif	Arguments de mot clé supplémentaires.

Renvoie

plotly.graph_objs.Figure

Exemples

Python

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
data = [(5.1, 3.5, 0), (4.9, 3.0, 0), (7.0, 3.2, 1), (6.4, 3.2, 1), (5.9, 3.0, 2)]
columns = ["length", "width", "species"]
df = spark.createDataFrame(data, columns)
df.plot.kde(bw_method=0.3, ind=100)