# seaborn.kdeplot > 譯者：[hyuuo](https://github.com/hyuuo) ```py 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) ``` 擬合并繪制單變量或雙變量核密度估計圖。 參數：`data`：一維陣列 > 輸入數據 **data2：一維陣列，可選。 > 第二輸入數據。如果存在，將估計雙變量 KDE。 `shade`：布爾值，可選參數。 > 如果為 True，則在 KDE 曲線下方的區域中增加陰影（或者在數據為雙變量時使用填充的輪廓繪制）。 `vertical`：布爾值，可選參數。 > 如果為 True，密度圖將顯示在 x 軸。 `kernel`：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }，可選參數 > 要擬合的核的形狀代碼，雙變量 KDE 只能使用高斯核。 `bw`：{‘scott’ | ‘silverman’ | scalar | pair of scalars }，可選參數 > 用于確定雙變量圖的每個維的核大小、標量因子或標量的參考方法的名稱。需要注意的是底層的計算庫對此參數有不同的交互：`statsmodels`直接使用它，而`scipy`將其視為數據標準差的縮放因子。 `gridsize`：整型數據，可選參數。 > 評估網格中的離散點數。 `cut`：標量，可選參數。 > 繪制估計值以從極端數據點切割* bw。 `clip`：一對標量，可選參數。 > 用于擬合 KDE 圖的數據點的上下限值。可以為雙變量圖提供一對（上，下）邊界。 `legend`：布爾值，可選參數。 > 如果為 True，為繪制的圖像添加圖例或者標記坐標軸。 `cumulative`：布爾值，可選參數。 > 如果為 True，則繪制 kde 估計圖的累積分布。 `shade_lowest`：布爾值，可選參數。 > 如果為 True，則屏蔽雙變量 KDE 圖的最低輪廓。繪制單變量圖或“shade = False”時無影響。當你想要在同一軸上繪制多個密度時，可將此參數設置為“False”。 `cbar`：布爾值，可選參數。 > 如果為 True 并繪制雙變量 KDE 圖，為繪制的圖像添加顏色條。 `cbar_ax`：matplotlib axes，可選參數。 > 用于繪制顏色條的坐標軸，若為空，就在主軸繪制顏色條。 `cbar_kws`：字典，可選參數。 > `fig.colorbar（）`的關鍵字參數。 `ax`：matplotlib axes，可選參數。 > 要繪圖的坐標軸，若為空，則使用當前軸。 `kwargs`：鍵值對 > 其他傳遞給`plt.plot（）`或`plt.contour {f}`的關鍵字參數，具體取決于是繪制單變量還是雙變量圖。 返回值：`ax`：matplotlib Axes > 繪圖的坐標軸。 **另請參見** [`distplot`](seaborn.distplot.html#seaborn.distplot "seaborn.distplot") 靈活繪制單變量觀測值分布圖。 [`jointplot`](seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 繪制一個具有雙變量和邊緣分布的聯合數據集。 范例 繪制一個簡單的單變量分布： ```py >>> 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) ```  在密度曲線下使用不同的顏色著色： ```py >>> ax = sns.kdeplot(x, shade=True, color="r") ```  繪制一個雙變量分布： ```py >>> ax = sns.kdeplot(x, y) ```  使用填充輪廓： ```py >>> ax = sns.kdeplot(x, y, shade=True) ```  使用更多的輪廓級別和不同的調色板： ```py >>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d") ```  使用窄帶寬： ```py >>> ax = sns.kdeplot(x, bw=.15) ```  在縱軸上繪制密度分布： ```py >>> ax = sns.kdeplot(y, vertical=True) ```  將密度曲線限制在數據范圍內: ```py >>> ax = sns.kdeplot(x, cut=0) ```  為輪廓添加一個顏色條: ```py >>> ax = sns.kdeplot(x, y, cbar=True) ```  為雙變量密度圖繪制兩個陰影： ```py >>> 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) ```