Scipy 多维核密度估计

【问题标题】：Scipy multidimensional kernel density estimateScipy 多维核密度估计
【发布时间】：2014-01-13 13:30:34
【问题描述】：

我一直在尝试获取 30x30 阵列的核密度估计值。下面是一个简短的例子，

from scipy.stats import gaussian_kde

x = arange(-0.5,0.51,1/29.)
y = arange(-0.5,0.51,1/29.)
z = randn(30,30)

vec = vstack((x,y))

KDE = gaussian_kde(z.T)
KDE2 = KDE(vec)

这会产生以下错误，

ValueError: points have dimension 2, dataset has dimension 30

我在这里发现了一些其他帖子，其中建议在估算之前需要重新调整数据，但我不确定如何正确执行此操作。

任何帮助表示赞赏 D

【问题讨论】：

您能否在这些帖子中提供建议？

标签： python scipy

【解决方案1】：

使用KDE = gaussian_kde(z.T)，您正在对30 随机变量（检查KDE.n）进行核密度估计，每个变量的维度为30（检查KDE.d）。

如果您正在研究一些数据，则该数据是gaussian_kde() 的输入。

使用KDE(vec)，然后您估计z 的内核密度。输入必须具有(30,) 或(30,N) 形状，其中30 是维度数KDE.d。请参阅文档here。

用这些形状喂x,y 没有任何意义。示例here 应该可以帮助您入门。在该示例中，d=2 和 n= 2000。

【讨论】：