MATLAB在Python中的密度等价

我在网上查过，还没有找到一个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，我希望通过函数找到内核密度估计：

[p,x] = ksdensity(data)

其中p是分布中x点处的概率

Scipy有一个函数，但只返回p

有没有办法找到x值的概率

---

谢谢

另一个选项是Scikit学习Python包中的内核密度估计器

下面是一个类似于Matlab文档中关于高斯分布的ksdensity的小示例：

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()

由此生成的绘图如下所示：

---

这种形式的

ksdensity

调用会自动生成任意的

x

scipy.stats.gaussian_kde（）

返回一个可调用函数，该函数可以使用您选择的任何

x

进行计算。等价的

x

将是

np.linspace（data.min（），data.max（），100）

---

在寻找最佳带宽时，Matlab比KernelDensity快几个数量级。你知道如何让KernelDenisty更快吗尤卡7月16日18日20:58

---

嗨，尤卡。matlab用于估计带宽，这很快，但需要来自正态分布的数据。有关更多信息，请参见此图。

为了快速参考，我尝试了

scipy.stats.gaussian_kde（）

和

sklearn.neights.KernelDensity

，第一个是

kerneldead

，第二个是有效的。在找到最佳带宽时，Matlab比KernelDensity快几个数量级。你知道如何让KernelDenisty更快吗？

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)