Numpy 二值随机变量的局部加权平滑

我有一个随机变量，如下所示：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binned_statistic

list = np.ndarray(shape=(200,2))

g = np.random.rand(200)
for i in range(len(g)):
    list[i] = (g[i], np.random.choice([0, 1], p=[1-g[i], g[i]]))

print(list)
plt.plot(list[:,0], list[:,1], 'o')

f（x）=1，概率为g（x）

f（x）=0，概率为1-g（x）

其中0 假设g（x）=x。假设我在不知道函数g的情况下观察这个变量，并获得了100个样本，如下所示：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binned_statistic

list = np.ndarray(shape=(200,2))

g = np.random.rand(200)
for i in range(len(g)):
    list[i] = (g[i], np.random.choice([0, 1], p=[1-g[i], g[i]]))

print(list)
plt.plot(list[:,0], list[:,1], 'o')

现在，我想从这些点检索函数g。我所能想到的最好方法是使用绘制直方图并使用平均统计：

bin_means, bin_edges, bin_number = binned_statistic(list[:,0], list[:,1], statistic='mean', bins=10)
plt.hlines(bin_means, bin_edges[:-1], bin_edges[1:], lw=2)

相反，我想得到生成函数的连续估计

---

我想这是关于内核密度估计的，但我找不到合适的指针

直接，无需显式拟合估计器：

import seaborn as sns 
g = sns.lmplot(x= , y= , y_jitter=.02 , logistic=True)

插入

x=

你的外生变量和类似的

y=

因变量

y_jitter

是一个抖动点，如果你有很多数据点的话，它可以提高可视性

logistic=True

是这里的要点。它将为您提供数据的逻辑回归线

---

Seaborn基本上是围绕

matplotlib

定制的，并且与

pandas

配合使用非常好，以防您想将数据扩展到数据帧。

您可以在

Statsmodels

sklearn

中找到KDE，而

scipy

也有KDE。如果只需要一个绘图，请查看

seaborn

，它是

distplot

或

kdeplot

。但是为什么你想要二进制数据的kde呢？@MarvinTaschenberger我关于kde的评论可能会误导你。看来我有逻辑回归问题。但我不是在尝试适合一个模型。我想以一种平滑的方式绘制它。这看起来也很相关：现在，我知道我想要的是局部加权散点图平滑。谢谢你指向sns。df=pd.DataFrame（）df['x']=list[：，0]df['y']=list[：，1]sns.lmplot（x='x'，y='y'，data=df，lowess=True）plt.show（）