Python快速Kernel Density估计(概率密度函数)

Question

我正在寻找一种方法来获取数据集的核密度函数并将其绘制为任意数据点。使用 Scipy 统计模块，我想出了以下代码:

import numpy as np
import scipy.stats as st

def get_pdf(data):
    a = np.array(data)
    ag = st.gaussian_kde(a)
    x = np.linspace(0, max(data), max(data)*10)
    y = ag(x)
    return x, y

这给出了预期的结果，但是当数据集很大时性能很差。

我找到了 fastkde作为快速核密度估计的实现。但是我想不出一种方法来使用它，就像我使用 Scipy stats KDE 一样。

谁能给我一些见解？

谢谢

Answer 1

您可能正在寻找这样的东西:

from fastkde.fastKDE import pdf


def get_pdf(data):
    y, x = pdf(data)
    return x, y

请注意，一般来说，fastKDE.pdf() 返回 pdf, axes(PDF 和 PDF 的轴，类似于 hist, bins 用于直方图)。

如果有多个输入变量，axes 变量是一个轴列表，每个轴对应一个输入变量。