如果原始采样是《阴阳师》里的式神，那么kernel（核函数）就相当于御魂。
假设现在有一系列离散变量X = [4, 5, 5, 6, 12, 14, 15, 15, 16, 17],可见5和15的概率密度应该要高一些，但具体有多高呢？有没有三四层楼那么高，有没有华莱士高？如果要估计的是没有出现过的3呢？这就要自己判断了。
核函数就是给空间的每个离散点都套上一个连续分布。最简单的核函数是Parzen窗，类似一个方波：
这时候单个离散点就可以变成区间，空间或者高维空间下的超立方，实质上是进行了升维。
设h=4，则3的概率密度为：
(只有4对应的核函数为1，其他皆为0)
kernel是非负实值对称可积函数，表示为K，且一本满足：
这样才能保证cdf仍为1。
实际上应用最多的是高斯核函数(Gaussian Kernel)，也就是标准正态分布。所谓核密度估计就是把所有离散点的核函数加起来，得到整体的概率密度分布。核密度估计在很多机器学习算法中都有应用，比如K近邻、K平均等。
在支持向量机里，也有“核”的概念，同样也是给数据升维，最常用的还是高斯核函数，也叫径向基函数(Radial Basis Funtion)。
seaborn.kdeplot内置了多种kerne，总有一款适合你。
Series和DataFrame都有一个用于生成图表的plot方法，该方法是matplotlib中plt.plot()函数的一个简单包装，使得创建可视化图形变得容易。plot方法默认为线形（kind='line'）；
使用kind='bar'（垂直柱状图）或kind='barh'（水平柱状图）可生成柱状图，Series和DataFrame的索引将用作X（bar）或Y（barh）刻度
使用kind='hist'可生成直方图（histogram），直方图是一种可以对值频率进行离散化的柱状图
使用kind='kde'生成KDE（Kernel Density Estimate）密度图
使用kind='pie'生成饼图
使用kind='scatter'生成散点图
使用kind = 'box'生成盒图
Series.plot方法的参数如下：
label：用于图例的标签
ax： 要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot
kind： 可以是’line’, ‘bar’, ‘barh’, ‘kde’
style： 将要传给matplotlib的风格字符串
logy： 在Y轴上使用对数标尺
use_index： 将对象的索引用作刻度标签
xticks： 用作X轴刻度的值
yticks： 用作Y轴刻度的值
xlim： X轴的界限
ylim： Y轴的界限
DataFrame还有一些用于对列进行灵活处理的选项，如下表:
subplots：将各个DataFrame列绘制到单独的subplot中
sharex：如果subplots=True，则共用同一个X轴，包括刻度和界限
sharey： 类似于sharex
figsize： 表示图像大小的元组
title： 表示图像标题的字符串
legend： 添加一个subplot图例(默认为True)
sort_columns： 以字母表顺序绘制各列，默认使用前列顺序
