Python fastKDE 超越数据点的限制

Question

我正在尝试使用 fastKDE 包 ( https://pypi.python.org/pypi/fastkde/1.0.8 ) 来查找 2D 图中某个点的 KDE。但是，我想了解超出数据点限制的 KDE，但不知道如何做到这一点。

使用上面链接的网站上列出的代码；

#!python

import numpy as np
from fastkde import fastKDE
import pylab as PP

#Generate two random variables dataset (representing 100000 pairs of datapoints)
N = 2e5
var1 = 50*np.random.normal(size=N) + 0.1
var2 = 0.01*np.random.normal(size=N) - 300

#Do the self-consistent density estimate
myPDF,axes = fastKDE.pdf(var1,var2)

#Extract the axes from the axis list
v1,v2 = axes

#Plot contours of the PDF should be a set of concentric ellipsoids centered on
#(0.1, -300) Comparitively, the y axis range should be tiny and the x axis range
#should be large
PP.contour(v1,v2,myPDF)
PP.show()

我能够找到数据限制内任何点的 KDE，但是如何找到点 (0,300) 的 KDE，而不必将其包含到 var1 和 var2 中。我不想用这个数据点来计算 KDE，我想知道那个点的 KDE。

我想我真正想做的是给 fastKDE 一个数据直方图，这样我就可以自己设置它的轴。我只是不知道这是否可能？

干杯

Answer 1

我也一直在尝试这段代码并遇到了同样的问题。我所做的(代替良好的 N 维外推器)是根据 fastKDE 返回的网格点构建一个 KDTree(使用 scipy.spatial)，并找到距离我要评估的点最近的网格点。然后，我查找该点对应的 pdf 值(如果不完全相同，它应该在 pdf 网格边缘附近很小)并相应地分配该值。