hello guass

编写不易如果觉得不错，麻烦关注一下~

参考：

https://blog.csdn.net/weixin_39813574/article/details/111015907

https://www.cnblogs.com/bingjianing/p/9117330.html

https://www.cnblogs.com/yanshw/p/11898408.html

https://blog.csdn.net/daniaokuye/article/details/116272253

1.求均值与协方差，下面是二维正太分布

>>> time=[1,2,3,4,5,6]
>>> cost=[4,5,3,4,8,9]
>>> import numpy as np
>>> np.array([time,cost])
array([[1, 2, 3, 4, 5, 6],
       [4, 5, 3, 4, 8, 9]])
>>> np.array([time,cost]).T
array([[1, 4],
       [2, 5],
       [3, 3],
       [4, 4],
       [5, 8],
       [6, 9]])
>>> var_matrix=np.array([time,cost]).T
>>> var_matrix
array([[1, 4],
       [2, 5],
       [3, 3],
       [4, 4],
       [5, 8],
       [6, 9]])
>>> mean = np.mean(var_matrix,axis=0)
>>> mean
array([3.5, 5.5])
>>> var_matrix.shape
(6, 2)
>>> sigma = np.cov(var_matrix.T)
>>> sigma
array([[3.5, 3.5],
       [3.5, 5.9]])

2.三维截图（应该默认高维可以！）

下面搜寻有没有直接求取多元高斯或正态分布密度函数的函数！

多元高斯分布密度函数

上式为 x 服从 k 元正态分布，x 为 k 维向量；|Σ| 代表协方差矩阵的行列式

下面测试了（0，0，0）点，和均值点的密度。

X 为3维 6个数据样本， mean 为均值，D为样本个数，利用最后一个式子可以直接求出协方差矩阵这里使用了样本数-1 作为分母

>>> X
tensor([[1., 2., 3., 4., 5., 6.],
        [4., 5., 3., 4., 8., 9.],
        [2., 2., 2., 2., 3., 3.]])
>>> ttt
tensor([[3.5000, 3.5000, 3.5000, 3.5000, 3.5000, 3.5000],
        [5.5000, 5.5000, 5.5000, 5.5000, 5.5000, 5.5000],
        [2.3330, 2.3330, 2.3330, 2.3330, 2.3330, 2.3330]])
>>> D
6
>>> 1/(D-1)*((X-ttt)@(X-ttt).t())
tensor([[3.5000, 3.5000, 0.8000],
        [3.5000, 5.9000, 1.2000],
        [0.8000, 1.2000, 0.2667]])