python 核密度估计_Python中的多元核密度估计

有几种方法可以在3D中可视化结果

最简单的方法是在用于生成高斯KDE的点上对其求值，然后根据密度估计值对点上色。

例如：import numpy as np

from scipy import stats

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

mu=np.array([1,10,20])

sigma=np.matrix([[4,10,0],[10,25,0],[0,0,100]])

data=np.random.multivariate_normal(mu,sigma,1000)

values = data.T

kde = stats.gaussian_kde(values)

density = kde(values)

fig, ax = plt.subplots(subplot_kw=dict(projection='3d'))

x, y, z = values

ax.scatter(x, y, z, c=density)

plt.show()

如果你有一个更复杂的分布(也就是说，不是所有的分布都在一个平面上)，那么你可能需要在一个规则的三维网格上计算KDE，并可视化体积的等值面(三维轮廓)。最容易使用Mayavi进行可视化：import numpy as np

from scipy import stats

from mayavi import mlab

mu=np.ar