en gros, vous voulez une estimation de la densité. Il y a plusieurs façons de faire cela:

1. utilisez un histogramme 2D d'une certaine façon (par exemple matplotlib.pyplot.hist2d ou matplotlib.pyplot.hexbin) (vous pouvez aussi afficher les résultats sous forme de contours--utilisez simplement numpy.histogram2d puis contour le tableau résultant.)

2. faites une estimation de la densité du grain (KDE) et contourez les résultats. Un KDE est essentiellement un histogramme lissé. Au lieu d'un point tombant dans une corbeille particulière, il ajoute un poids par rapport aux bacs environnants (habituellement en forme de "courbe en cloche"gaussienne).

L'utilisation d'un histogramme 2D est simple et facile à comprendre, mais donne des résultats "blocky".

il y a quelques rides à faire le deuxième "correctement" (c.-à-d. il n'y a pas une seule façon correcte). Je ne vais pas entrer dans les détails ici, mais si vous voulez interpréter les résultats statistiquement, vous devez lire sur elle (en particulier la sélection de bande passante).

À tout cas, voici un exemple des différences. Je vais tracer chacun d'eux de la même façon, donc je n'utiliserai pas les contours, mais vous pourriez aussi facilement tracer l'histogramme 2D ou le KDE gaussien en utilisant un tracé de contour:

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde

np.random.seed(1977)

# Generate 200 correlated x,y points
data = np.random.multivariate_normal([0, 0], [[1, 0.5], [0.5, 3]], 200)
x, y = data.T

nbins = 20

fig, axes = plt.subplots(ncols=2, nrows=2, sharex=True, sharey=True)

axes[0, 0].set_title('Scatterplot')
axes[0, 0].plot(x, y, 'ko')

axes[0, 1].set_title('Hexbin plot')
axes[0, 1].hexbin(x, y, gridsize=nbins)

axes[1, 0].set_title('2D Histogram')
axes[1, 0].hist2d(x, y, bins=nbins)

# Evaluate a gaussian kde on a regular grid of nbins x nbins over data extents
k = kde.gaussian_kde(data.T)
xi, yi = np.mgrid[x.min():x.max():nbins*1j, y.min():y.max():nbins*1j]
zi = k(np.vstack([xi.flatten(), yi.flatten()]))

axes[1, 1].set_title('Gaussian KDE')
axes[1, 1].pcolormesh(xi, yi, zi.reshape(xi.shape))

fig.tight_layout()
plt.show()

une mise en garde: avec un très grand nombre de points, scipy.stats.gaussian_kde deviendra très lent. Il est assez facile de l'accélérer en faisant une approximation--il suffit de prendre l'histogramme 2D et flou avec un guassian filtre de bon rayon et covariance. Je peux donner un exemple si vous voulez.

une autre mise en garde: Si vous faites cela dans un système de coordonnées Non cartésien, aucune de ces méthodes ne s'appliquent! Obtenir des estimations de densité sur une coquille Sphérique est un peu plus compliqué.