Python中与MATLAB ksdensity等价的函数

Question

我已经在网上搜索过，但仍然没有找到答案或方法来解决以下问题

我正在将一些MATLAB代码翻译成Python，在MATLAB中，我希望使用以下函数找到核密度估计：

[p,x] = ksdensity(data)

其中p是分布中点x的概率。

Scipy有一个函数，但是只返回p。

有没有办法找到x值处的概率？

谢谢！

- DataTx

Answer 1

那种形式的 ksdensity 调用会自动生成一个任意的 x。而 scipy.stats.gaussian_kde() 则返回一个可调用函数，它可以使用您选择的任何 x 进行评估。等价的 x 是 np.linspace(data.min(), data.max(), 100)。

import numpy as np
from scipy import stats

data = ...
kde = stats.gaussian_kde(data)
x = np.linspace(data.min(), data.max(), 100)
p = kde(x)

- Robert Kern

---

仅供参考，我尝试了scipy.stats.gaussian_kde()和sklearn.neighbors.KernelDensity两种方法，第一种出现了“核心死亡”的错误，而第二种方法可以正常工作。 - ZK Zhao

Answer 2

另一种选择是使用Scikit-Learn Python包中的核密度估计器，sklearn.neighbors.KernelDensity

以下是一个类似于Matlab文档ksdensity的高斯分布示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KernelDensity

np.random.seed(12345)
# similar to MATLAB ksdensity example x = [randn(30,1); 5+randn(30,1)];
Vecvalues=np.concatenate((np.random.normal(0,1,30), np.random.normal(5,1,30)))[:,None]
Vecpoints=np.linspace(-8,12,100)[:,None]
kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(Vecvalues)
logkde = kde.score_samples(Vecpoints)
plt.plot(Vecpoints,np.exp(logkde))
plt.show()

这产生的图像如下所示：

- paisanco

---

Matlab在寻找最优带宽方面比KernelDensity快了几个数量级。有什么办法可以让KernelDensity更快吗？ - Yuca

Answer 3

当涉及到寻找最佳带宽时，Matlab比KernelDensity快几个数量级。有什么想法可以使KernelDenisty更快吗？ - Yuca 2018年7月16日20:58

你好，Yuca。Matlab使用Scott规则来估计带宽，这很快但需要正态分布的数据。有关更多信息，请参见此文章。

- lollows