# seaborn.kdeplot > 译者：[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) ``` 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`](seaborn.distplot.html#seaborn.distplot "seaborn.distplot") 灵活绘制单变量观测值分布图。 [`jointplot`](seaborn.jointplot.html#seaborn.jointplot "seaborn.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： ```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) ```  在密度曲线下使用不同的颜色着色： ```py >>> ax = sns.kdeplot(x, shade=True, color="r") ```  绘制一个双变量分布： ```py >>> ax = sns.kdeplot(x, y) ```  使用填充轮廓： ```py >>> ax = sns.kdeplot(x, y, shade=True) ```  使用更多的轮廓级别和不同的调色板： ```py >>> ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d") ```  使用窄带宽： ```py >>> ax = sns.kdeplot(x, bw=.15) ```  在纵轴上绘制密度分布： ```py >>> ax = sns.kdeplot(y, vertical=True) ```  将密度曲线限制在数据范围内: ```py >>> ax = sns.kdeplot(x, cut=0) ```  为轮廓添加一个颜色条: ```py >>> ax = sns.kdeplot(x, y, cbar=True) ```  为双变量密度图绘制两个阴影： ```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) ```