由於直方圖受組距（bin size）影響很大，設置不同的組距可能會產生完全不同的可視化結果。因此我們可以用密度平滑估計來更好地反映數據的真實特征。具體可參見這篇文章：https://blog.csdn.net/unixtch/article/details/78556499。

還是用我們自己創建的一組符合正態分布的數據來畫圖。

準備工作：先導入matplotlib，seaborn和numpy，然後創建一個圖像和一個坐標軸

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
fig,ax=plt.subplots()

用seaborn畫核密度圖: sns.kdeplot(x,shade=True)

讓我們在用matplotlib畫好的直方圖的基礎上畫核密度圖：

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
fig,ax=plt.subplots()

np.random.seed(4) #設置隨機數種子
Gaussian=np.random.normal(0,1,1000) #創建一組平均數為0，標準差為1，總個數為1000的符合標準正態分布的數據
ax.hist(Gaussian,bins=25,histtype="
 
stepfilled",normed=True,alpha=0.6)
sns.kdeplot(Gaussian,shade=True)

plt.show()

圖像如下：

註意：導入seaborn包後，繪圖風格自動變為seaborn風格。

另外，可以用distplot命令把直方圖和KDE一次性畫出來。

用seaborn畫直方圖和核密度圖: sns.distplot(x)

代碼如下：

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
fig,ax=plt.subplots()

np.random.seed(
 
4) #設置隨機數種子
Gaussian=np.random.normal(0,1,1000) #創建一組平均數為0，標準差為1，總個數為1000的符合標準正態分布的數據
sns.distplot(Gaussian)

plt.show()

圖像和上面基本一致：

Matplotlib學習---用seaborn畫直方圖和核密度圖（histogram & kdeplot）