pandas.DataFrame.plot.kde

DataFrame.plot.kde(bw_method=None, ind=None, **kwargs)[source]

Генерация графика оценки плотности ядра с использованием гауссовых ядер.

В статистике, оценка плотности ядра (KDE) — это непараметрический способ оценки функции плотности вероятности (PDF) случайной величины. Эта функция использует гауссовы ядра и включает автоматическое определение ширины полосы.

Параметры

bw_method:строка, скаляр или вызываемая функция, необязательно

Метод, используемый для вычисления ширины полосы оценки. Это может быть ‘scott’, ‘silverman’, скалярная константа или вызываемая функция. Если None (по умолчанию), используется ‘scott’. См. scipy.stats.gaussian_kde для получения дополнительной информации.

ind:массив NumPy или целое число, необязательно

Точки оценки для рассчитанной PDF. Если None (по умолчанию), используется 1000 равноудаленных точек. Если ind — массив NumPy, KDE вычисляется в заданных точках. Если ind — целое число, используется ind количество равноудаленных точек.

**kwargs

Дополнительные ключевые аргументы описаны в DataFrame.plot().

Возвращает

matplotlib.axes.Axes или массив NumPy таких объектов

См. также

scipy.stats.gaussian_kde

Представление оценки плотности ядра с использованием гауссовых ядер. Это функция, используемая внутри для оценки PDF.

Примеры

Пусть у нас есть ряд точек, случайным образом взятых из неизвестного распределения. Оценим PDF с помощью KDE с автоматическим определением ширины полосы и отобразим результаты, вычислив их в 1000 равноудаленных точках (по умолчанию):

>>> s = pd.Series([1, 2, 2.5, 3, 3.5, 4, 5])
>>> ax = s.plot.kde()

Можно указать скалярную ширину полосы. Использование небольшого значения ширины полосы может привести к переобучению, а использование большого значения ширины полосы может привести к недообучению:

>>> ax = s.plot.kde(bw_method=0.3)

>>> ax = s.plot.kde(bw_method=3)

Наконец, параметр ind определяет точки оценки для построения графиков оценок ПП:

>>> ax = s.plot.kde(ind=[1, 2, 3, 4, 5])

Для DataFrame, это работает так же:

>>> df = pd.DataFrame({
...     'x': [1, 2, 2.5, 3, 3.5, 4, 5],
...     'y': [4, 4, 4.5, 5, 5.5, 6, 6],
... })
>>> ax = df.plot.kde()

Можно указать скалярную ширину полосы пропускания. Использование малой ширины полосы пропускания может привести к переобучению, а использование большой ширины полосы пропускания — к недообучению:

>>> ax = df.plot.kde(bw_method=0.3)

<img alt="../../_images/pandas-DataFrame-plot-kde-6.png" class="plot-directive" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAkAAAAGwCAMAAAB2PiqAAAAACXBIWXMAAA3XAAAN1wFCKJt4AAAAOXRFWHRTb2Z0d2FyZQBNYXRwbG90bGliIHZlcnNpb24zLjYuMCwgaHR0cHM6Ly9tYXRwbG90bGliLm9yZy89olMNAAABfVBMVEX///8sf7j//v7/hhz6+vrW1tb+/v4AAAD/fw4fd7QQEBAcHBz//Pn/xZL/0qr8/f7/ljnF3Ox5rtIme7YheLQ7iL3/jy3/sGp+fn6+2On/pVVxqdD/+fP/oU7/gRP/3L6srKxDjcD/wYv/9u74+/3/4MT/rGTb29szg7vn5+f/69tioMr/6NX/2Lf/qV7/iSH/uXz/1rFra2v/kzPx9/rM4O4MDAySvdv/y57w8PD/tneKuNhqpM3/48v/jCj/8+mpy+L/5tD/nkn/tHHT5PAtLS3/yJji4uLt9Pn/mT+awt1AQED/vIFVmMb/v4aDtNXr6+uixuD/8OT/zqP/gBBMksPj7vZbnMje6/S30+f/7t/39/ewz+X/m0T1+fz/gxcxMTHo8ff19PROTk5mZmZfX1/a6PLPz89xcXGUk5KCgoLAv7/k5+klJSXIyckGBgaKiop7eneenp64uLg4ODijpqdRUVFWVlbngCRTjbReeYXYjUjiiTi4fEKkW7UJUuNAAAgAElEQVR42uyd+1tSWRfHT4CwuZMlmsNFJSUaEsnGMLgR1YlxhE0mZm/g1/s5pZ0555Pfn/+FA3I997WhDX0/PySnPKfL+bb2uu21JQkAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA/Oo7HHs9jh/zxw5e5ubnP+CcBZhjZSKU2PlUEdIV/DmAW75gkjXkVBeQCvUxX5ONccCUlKelakAXk8Wx8DTYICP+9epguvb28a0+S9lz58ufLveBn79fqytY1DYNeFlCTBSrz8R9YIAjIog8EAUFAFqKws1TqTI7CnGMLztoSBgEJgtNhFmd33141D3RxIUk7nrlrONFi4UgOmCXpEOXtQUDfn3zyyKQBOkrmISBQJThwbvqe84EgBASqK9iAw+o9EBCAgAAEBCAgCAgCgoCEwLduH0108Pm2icxJ0ZKA8p5vkqOSEIaAxKXAGIvaOvf8zdLzQz5LFmjMm7raCUJAQrMSO03PsmzHnp+wHy6vsYNWAQ3dUmOo4VsvNjx5LGFis8tmpEdsrWPPn2DD0iTbsiagS9dj+ECCE2IPJVu49EOHPKDZ8vNnWdHKEuY4+zB3CQEJzUMWks3EboeevywbnwLzWxFQyQH6eH0OAYnMJivUZNQZF90vyyhqQUDfyg7QHx8gIJGZZvHyl1m235nnb8mLo81+6rNggdpEBwGJhi13GCl/nWHznYnxWFjOEIyyZQioHylW46M4m+rI8wNsvRqL+SGgfiTAFuWvkcNcR3KJ69UMU6NAIaA+YoYFGn2VDiQJKr5Vgs1CQP1IlKVvlHTQgccnWLj6KcwiEFAfkolVo6NHbLgDj39UW7kavGgIqH9YqeV/VhrWGH4UasHdbj3Mg4D6hwbftmGN4cfazQopZavhGATUV/jr0fU0m+T+eFumlj9M13PREFD/sF7v42jM1PBiv16F9x3mIKA+DsLKq9l0B3zoumdeXyIhoP4hzHztEXdHVshSGLZqUkDOjzulH/+9hoCExdcomlnGvTN6qlKplVm8SVkat0B7X5KStPMVAhKWdGOXRQe86BBbqX2er7UcyWII29Vo0PT/RqT8lxQEJCwNsXXZi/e5m3BimcaMwbBpAX27dn76Az5QT0TxnchFNxm4Yq3v2rgTHfT+dT0GAYnLMHukGHNzIsBmGv2tnPkobGTD44CAeiKKl7sGOXd0NBdoczcRn3EBOfOuK4TxAjPbVL5Y493RUY/cK48vmrZA59VNGRCQkNhO7Y2X9UCbE7lDX9N6GTdtgb7+I0FA4rLSvBfjQN6gwY9Ec4G/Vo83LKDgnPcSAhKYVTbaeLncfElmsrk4UtMnShn9QrbaEF0lUq93cmGTTTTraQoC6i/8LQV4zsWMpiRBORF0AgH1F4stQzk4FzNOWNNYoFrhDQLqF6YbdvuV4VvMKMV4zXmlXKxy7UymTE+qzyedEJBwbDXUOis+0TrHp9eWrLbf7sjCpPojCQISjkzMpv3KiS/e6uprBE/6sDAjICJHWFrK2RYfEbut2+3X6HDQISCSKbXPJtprdXqqH1eKSc3CxICCRmGwbqNASeNNoSwoE6JluCEgkmrotZFpSf5wXyEn6BBAISCT8bRt5eA55aS+MPKSP8oSARGKmrfqe4Djprr00G6HvnoaARGKqPfGci/l4PV2hOSRD7liDgEQi2t5A1tSiSEOhPS1ErrVBQCIx2z5OYYZbT5kt027MRsnyhIBEwm5XcFxmOD18X8GdGm7YZwgB9TxKPu0qt56yuMImoQLZvnX52O8KR9ceCEgBpaiaX0+ZX2HYxyZ5AEi33t7IRiq18al6cbUDASmhmNfj1lM2pbBcZckLZLfennesfNZU5fPlxjcISImA0uvk1lMWamkVUZWsiAJacCUlKelakFezs7/+goCMLjLSLqeesqZt8fVFM9obAsq79iRpzyUfVfb1g1QT0IirBJSjFbLz6ilLK2mFnoruvgVKevckWCAVL2VSyUjw6SkLNG/4qGA7zfScD/T3F6/X4/J+hoDaiCrtZObVU1ZQnFveMBBN8CjsLJWqnPZ7lEqlxuZSDghIwc1VCrg49ZQ1b4u/4YR6qFSX80AXF/IVljBFWjuiK3DqKaueItUW4y33hoDE/iOIgU05Z8inpyyh7C6vU9UJAYnDivI8KT49ZSozgyeox9pBQOKQVi57rXDpKfMr27F5qnmDgMQhrjISMcOjp0zFk3pEzTJBQOIQUClMcekpCymHW8vUafgQkDj4VUrjPOaU+WIZxWzSPjVNCQGJg1pzDo+esrRK0ctHPU4BAhIHtfZAHj1lioWMMgpNkBBQj6KcK+bTU6Z6ACu1lgEBicOWQsOODIeesqiKOMm1DAhIHFSNAYeeMtVUgJrZg4B6DvXWCnpPmXoykrovAwISBvXmLnpPmfqxLdR9GRCQMBRVJx0UyYeuqNswP3FfBgQkDOpJYRu5mDGq2rVBHREEAQmDxkI1Suza0VBgnHgmGQQkDBqFcaoXva9e0KdmKSEgYdBozaEeXZhVv59aDIOAhEFjZCq1Jaigrk1qMQwCEgat9mTlhmbDRDWyhcRiGAQkDFrHE9Jy0ZpRHLEYBgEJg9a0sAlStkYzj0QshkFAwpA7VN9AGCc1Dqr2clRSBKsQUD9gi2nsMo4c5gjbU9e1yhXEYhgEJAoRzUgrRNmeGtJapYjFMAhIFIqaQ7/XCa9ZuyGNWAyDgERBe39EgFCQj+s8eQYC6ge0d2jtE1KJ2oUQYjEMAhIFnTPiw9bbWqOacRaxGAYBiYKOLzJlOVjy2U99mrZtCwLqB3SioU3LfTvL2nMQicUwCEgUdPIxacsnM03ozE+gFcMgIFHQGfVky8Qs1lOjOt1otGIYBCQKazqpwimLo6B8p3ZtgahuR4OAegqFk3paorRFS8+d1IuyaCf2QECioDwgsU7RYiZoVy/TPEVqFYGABMGmuwE+bG2pWdOrti+SDo+HgARB/3BUa+WwhG4dnzYmEQISBP1TK7KWhm0GdCsVtDGJEJAgK5jurDlbRGXImJ6Hk9UV5iIE1PsYmHYZteDtGkgf0Y58goAE4YDt6n3LpoXGi2X985zSpGoqBCQIfv3Np0ULZzMV9NvFVkjVVAhIEIwc722hr3VWY69QFVo1FQISBCO97QXT3adpI9lHUjUVAhIEI7trVk0vNrtGQnRSNRUCEgQj+/tsBhak1kXPwA2kaioEJAh6tVTjBqWBh4bqZ6RqKgQkCPZTboIwKzhSNRUCEgODoVDIlLGwhQ2FbaRqKgQkBgaTMX5TZYe4sTZYUjUVAhKDtH7GuEwiZjfR2DplrH5PqqZCQGJgtCA1baKnI3FqTG2kaioEJAZGX2LcxOYMv8Ht0KRqapeP/S7z2DvnvXJAQJaWkZJfbHScjy9s0OMmVVO79fZGNlKpjU/yx4FzaW/nEwRkzZHdNGwussbcKmI1tVtvzzsmSWPem6u9nQ8QkLVQOpKJGRtJZzsxug+IVE3tzttzLriSkpR0LchXX+dcns8QUEvAZDSZVzDsLYWMNjBSqqldent5117J7rjy1cuB/1Y/jbhKQD5mygkr9piR7GDJABlOD1Kqqd/DApUY24EFasJEQXPXkBeUNW6ASNXU7+MDSf96ISCrRiCSMXD0SiRsYhwMpZratSjsLJU6k0Ov878XnJfXFxCQZTdknoV01VYwE5pPEQa1djkPdHEhne/e45q6vziEgy4GQbU13VtDyod1E9yulmopMtBCYOzOnaNd54/s5tVO+FaFUUyEgITCZDM6y04ZFJ5H1704E0nWfeT/Ehs3sQaRUUyEgITA7KnWTxfyyH2RbnTg5ZDKZ4WxlDmc8zEZ95vS4CAEJxfu3L27fO37++vX29vbTp9uvXz8/fnfvl7e/BtVuMD2s+SDGcov+ielMSTm5Yf/B/MxaSUextYK/cMLYlLm8DqWaCgFx5cm97cGX47fcajx4ufTs3e9OBYtidhFJj8pmJ7Y2cbN29JbLDGfnnZgMm99BTqqkQEDfu3xscr8jk1vjLpZ8GX5Vsz3bJ+pTM0NNnz14NLr35behu5deXnv+n+d5dC27sfsA/H29u+LEtH/jnV02PYKBUUyEgTrwYLNudoZ+evnt7X/27gr//8nzwtzul73x5fJ9TIN3lJAIE1Aluv3S77/zcalfUbdWrodJytv2+9jO0MXNkCNVUCIgDb9+43ePbT8zcEry9dNf94PjGG4qa3THIF0I1FQIiE9y+4x46Dpq+788lt/tN1WbRRu2SIRx7CQGRA6+f3Xee3re28I27H9ymmgAeEKqpEBB1+Rpyj/9p9eb3g+67r8sfTu3f9S9BOPayU2/P8YMI6MUD99ITwv3Hd9zPnFLEwugonsxYPw+xU2/P8/jyRxDQi1vuwSDpCbdv/Z+9a39qItnCk6BDmqhZ8nCJUW+yBglGxaXyEJNFSh4iGIGg0pKF5SEPZS1l8bVV+8P92+/khSROZqbP9OlpeuYrSyh36czU+eg+fR7fIUXKXCp7/GIuj8bZeurHg6H541XZCVTLNPYP2xxcsjn0zTYemws08rfe5tflwrfPqswEWoyRsGp7lXyEvLc3dtI2bGRTEa335tN84UPws7wECm2QcojBOvHoqb3Bt7ZhI5uKZr33h4XlT2+6ip9lI1CJpLaZLFQ8tSUWbx/3rPYg8rPeh+DpWOsbaQkUJ74aI4/xf4FjJ9/Efwc+ExrLesmQ44+AjFyG1FmtNRv4d8tRBgWmRSPQ/Lm/5SRQgiSYrXU38K9vz8mXmdgRjUCF5t9D8hIoTjI5ZovdCnwlZSffxpLEJ0frvXt38k7D/q60BErH2B1gDenDqRiJO/g68GwqjvUOD08ONbT9aBkJVCRZhqtNB/xxEks79zo3LKsO8bLesfOPgIn1SKTGcLmdCUXJkiXn3geeTUWx3pT2pwVZCZQgJYarNXOptahv0bH3gWdTUaynedCDLUhKoKMoQw+605caJiuOvdBVcDYVxXrPtT8tSEogxsdNK5e66IuuO/VC/wVnUxGtp65OKVISSJ1j7PC2+lLVIgk79UoPLAq68rPe5EcleXKSlHMH2iAzTNdr96XmnNuCTEf+crdecFPZTb6XMxKtbUAhpgsutAfJObcF3aOQn+ZjvYKyOtSJR8tGoDJZY7vgq7YYi7YFOZTQgGdT0XJhX0e+KVNSpjJq0QzjkN9spy+15NRFzP96WjACfQ4G3ypf92UkUJgUGa941pe6F/HlnHmpidt+sQjUxKVLEhIIwcjf+1ITToWjf4JmU9Gs9+btew0SEqjI/pj5KXCn/d0Ra//cKp7RTxRHtZ6aLJwMaZCPQOkM+7v29Gv/9wiBM5VlDy1IB/O9xn8V4xRlji2mafgWGrnUNuKk4shrzVodrMHLekOqpASqkGHWS57vSw3FyJETr/WSStaVg/Umk3ISaI6kmDspXX2pS84EE6+2Y5nCEGj/5Ms3DdIRKMw6iKh0cqltLEZ82w681zVT7XLO1htpQTYC5TACNd0avwkEitI+gwjX+Av1CJaxhnHAdGv85klK5f9i4GwqXmfqwb7yUbo4UIXk2S+60OV/qFWMzzDDH9BsKlYc6FPwtKC8/SIZgWoou8Or7hvQmhNuNFihCK21+bIypFySLZBYYp4Ga6AnBpNzwo32354Qi0BDioQECsVQKr56o8AJxvVqlnAuGi4EgZaTGoHOD7aUgUDDZANj2V6N32EnotHf83FiEOjt0LeTf4Jv5SIQ0tbQa7tQjPAvbYUqVaNZb/zvyb/H5brGYzknP5weJaZdZ7Bz1GECrZ5++fDldFUuAs0w1OMw9F/XHSjqgGZTcay3GpwfOR6ZD65KRSCEPGoDOvXISJ9EEUtwmEDv/mn8BoUO/8lEIKx9QUdfbgtnrzPCAjCbimO9+cvNL5elauspInkmoz9mEbZ9Ed610deAOp841hvq+Xo29lvD5kGw8OHTxSOQdjeqoSysp7HLPxQEzabiWK/Q81VRRubHx+f/anz3ZmRM/Tj0+cIRCC06ozczmX8oCKp1jmO9k+MWTs7+JZhUlOR3yd9vIxeOQGibgt7UdrTtri+g0xZwrLfcQecfpgbHFGVssKO2sNng08UiEJ5bojvussg7FATNpnKy3vNB7Ua/OtiWe1EPl9v3mRGrIkKOA+9ipDfuUuUfCgJOnOJkva4dSD3YnbpwTvQGWmhGP4nAPRQEnHnHy3rnfCB1sos/F4NA69EM1o6gn8ac4R0KegETauVlvZHd8fHd5i1MmZxfVS4cgRB9Ev1CilwkwrcqCCjUyst67TjQwYHmDp0UCoWDi0UgNYXWrtWvlIt3KAgo1OoV1VtCnlSxlu4nzcM7FPQSJtTqEcgSwni1Nv1GLfGuCgK2FnoEsoK0L4Km4Tzar6EGpwC7L4DJMI9AVrCFOAql77jJGonxbBADJsM8AllBFnESyuO+0worXBvE7sOSYR6BLGAPLwiknwpr3fxmuDaIPQ288AiEhCKm9qVuKqwJvg1iVwLXPQLhADEIpOinwtooc5Urm9jxewRCAWIQSDHsp4nj9KH1AWxqoUcgc+DGhA06+kIZnsLjMJ1Nj0CmQC5QNuop5hoKgnWGeQQyBW5e3FDV4IinVtBsX2/eI5At4FbmGE+p4KkV1Dee4BHIFmq4tYH9UmEt8NQK6h/R9AhkByu4fsho4K7Bf12M+LjNcu6bU/EIZNOFRp2Fa5LD5BgKGgXJJHoEctSFNm0pHkaNQfUcps88AjEHuuSlSR2XmuLmRt8EDZ3zCGSMPKniXqTNKknXuBXXw2QSPQIZo4xdmXwjcN/EB+MWjZ4O+D0Csb7DMx9v2YsXgadmt0BePaqmj+IRiBph9FyCqTrqepTXGEyzzdAjEDXwZ5j6b5tOu03wSoiBGns8AhkBfYqy38K8be0Y5VNXBpoZ5hHIcAOKYDuwViqRy5wm8S5AchluJlAoXgqHl2pGHhD6GHcrvRBH0Uz/gzRXLyVWZpgEy0G5DPcSSN2KkSYq/TouahHfIvZTWOrGSvS9iO2tRJrvEAkz8NVAI59cS6B0mZCNteF6KUVIVrcFVM1y8F4t9YNqR6nuE4bWfCSSmBmuh30kNmf7WUAjn9xKoO0KibXKfEL1GPHVdf6XOknhZ8IfWepIL5INnXj4XoVEV1p75GKZRGxXLYH6MlxKoFCWVM+Op+0VQsI/cGUxg9hNeIa7Vq7OajqlExAfzpDq2bajFonP9h40sOMRyCJWSOq8exPXbLH+wwHGIwllccZJPurrcfZDxWg364skZtcPgvRluJNAceLr4ouqnQa+7v1myb49rMDqlKUSSXUFg3JZEumuFFLLJGsz7/sMMLHHlQTSTqdepyetHWOlc6WrW9HIHI9HmbhtLYEZ2iDZc/vNXIykepsdcym7iV+DHkePQOcR1qs0rvtIpWMTdSYarfN4Eut+62KKbHS2xHQpSso5vXPOXtjhEUBjyo0EyhPdwFytql1qmifbern3fMDCH9blvfdSJFZv7JHpmRiJrKm6vxj23DaIxpQLCaRW+2z16SUfiVbD4UqUxDiVAdLE7nJlQmKJcNbXL3Cl5DLE1rkL0ZhyIYHqpNqvT2ev2IxOZ4q8ZuXQZQ/ilWbUudyX3Wv2mun/Y9gh4hGo7Y6mjOI7ai0eP+KnEU87pWtxOJ43SM2nU7aaII171DwCte9XpKIqouARTBrV6OVs/PQdQFm96wgUSvEfJ8n24mzydja8N//OhEcgcw+oIg5/wMO2+2KGZG38NGBehusIVOGR4bIMmKiTAdIxOxcxgESQ2wiUJ6mQQAQaGGC9oq0+MsCJ6jYClbkPIzUCdMqbwS3SVi8/wKd3GYHW0fu80O/NZrCjJgKoinYZgUq8J0kaAxK5M9uC7OgZ/RqY9Qhk6GJmousiEeha4CX7RTcIOA8MGN3sLgLVbV1ymcN/NbDAftU4PFABUKt3F4E2hLrDQ3UtTWBjZDhAoMNVBKpxH4VsAuCYSRPYGM9JH0l0FYE4T+Ayh9WCVuqrJvT3hD6S6CYChQRzoaHjKUwBn05FH0l0E4GGuY6esAD2cUS7dwX6SKKbCJQQKgqt4MQR29EKoCjEAnVRK+ex3w0c757sO/EI3CexmwI4ZdIcK1A9D3p9BV7WG5kfH5//q/ltMjnpCIFmuMlVWsXjwCuchcEzNuj1FXhZL5jUmBPssMkRAlVEqiRr4hVE0ckSqsCiDvpIIh/rqVODY4oyNjjlIIHWRQsCATXlLGEJqGxEH0nkZL3ng6uKsjr4vJdAI4Ma+DxCUaw8agPPWNcjnmERWnVAXeHmmh1IhQf40XCddT3id0BDQbdolVpd4wPl+Q2dwDsvrGOLlEE/Nxt4IOgtbHd8fLd1C7u0ebq/eYn3I4TJmmgEAk5qt4Q0cE7nL7T1AZzjQAcHbb9nmfMjpHEHn3K6M1P9wsxAfuwabSDILZFo6JaOeYJBWtEtu3x5WFXQb7QlZW4hUFawSqAGXoGGlFpEKEYgmWPq5lSXEGhPrGL6Fu6ihYEagNWu+AcG/B6BfsQSvmQ4Pf6kb+OjQA2WzqAtUXIJgVJkTjwCTd++grk8bNYibZGkOwg0R1Li8ecmRJaZArCR4U8oy7TdQaAVTuNKqHAfqRqoA9jIcNqKIFcQCF5ghYkH9F18tDfPOuSpfvYI1Iu4WO1gbUAkLakAqmylHf7tCgKVSV1AAqE0hfVsvPQ6C1fMRyi6jkAwZwAdtyAjSvFdP8qCDjcQCHYdwb/Fv76C/AlzkFAQ5T3eDQSqkryA/MG+xbfenD78RdnZ4wICgSvMcQFQwqDGEmDvpaz0dwGBVkRraG4BMxdvx/sbpdMskp9AISGDQMi5eBv3z9/pytzkJ1BctIbmNh4ylojWgwqIgPkHqBr25SdQVsggEJYyB4Ptl65IQHoCCVkJpDQCdhM8PgbgAP5MVVcvPYEEbAdr4h5kxjY9AJpadFKtshMoJGA7WPsS9oTL59Cr+tFJx8pOIFFdaOUlWl98N+gzqk+pyqJlJ5CoLrRyI/Abl88BKBtP0FRKSk6gdUFd6EYm7CafD6LXVqfK8kpOoBVBXWjlDpK6HYvfoSc02TC5CbTti+yJSaBRzK7U3lOccgI1lX8vN4HWhBMl6+Aq/VgTKIZJlS6ZfM/6LHLJCRQSspuniYeoTYVdUKuU0mz+gZ0rHoFad/iKoPxRrvNIZLSxRXuTp/GipSZQRdQ7vPKUmw+tNMdgHlH9wCOKGJXEBFIFG295Hg+wBH51sUTpCtKMDZN5B9qgvX7ww0sexUBnyPnogom/U8Si5SWQOieeLOv/2zvXrzSOMA6voLs7LJUo4CUqQiVHCD3xFlCqiSaBYuVYiYpWMYlcvB9RMW09Tfu/l1WMR4xxXivLsP6eT/uBPXPx2XfeGWdnv/K2Jp/puZVx4tZWQoZm4ggUEu3LBlfYPVaLkeVRQ1An/ytr5hUozNx+UQV6ZsCG+qoQRMqClviXEk0rkDwvbgCSfqv1W83fCEGUXS3r/EmQaQXqFncKZngKdB6CKGtBltfcSZBZBXL4BDwU8ZIBz5DF4CL9btJydCf3/1PNKtAcm5eFFWjE0FWgCzZIEXmEe1eiSQXKNrm2hfWHMsl5yJyQcNJ6L3eMNKlAUyIeqvk1wxjyDBhfaszlJEzl+3jfWjOnQGss8FFcgfprfLbdLUyyEP+o/gvvRN6UAmUDAmfQ+gi2VI9i/T7Cwsb08pD90Qokh8Q8EKiC9Y3w+f//9tH+u64l2d4tX870xN6o6E7Z5eQ95J86y1V80r0j2P3b2y/j+9m2s+q/fO77W+c1YqKzT7380p6uK/eZ+l78v38z/H/e8Xv17/8hXq/937+lL/w/hI40n0W+5nY/t9K2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4b6J83gP9Y/W9xP2lL/sN99f8z6R9Z/M3T7/17+b69+34h5u/J/y77/6+2t/k+6hD7988uG5v3b4i6j6R/v250rU83+eF63mZ84y01c0rO6pYjV6oP1q5qV5v9zH15j7Yz8g/e3m/6H/p/9p3d/I9w7+4

>>> ax = df.plot.kde(bw_method=3)

Наконец, параметр ind определяет точки оценки для графика оценок ППФ:

>>> ax = df.plot.kde(ind=[1, 2, 3, 4, 5, 6])