python中的KDE具有不同的mu、sigma/mapping函数到数组

我有一个二维的值数组，我想对其执行高斯KDE，有一个陷阱：假设点具有不同的方差。对于这一点，我有第二个二维数组（具有相同的形状），它是用于每个点的高斯方差。在这个简单的例子中

import numpy as np
data = np.array([[0.4,0.2],[0.1,0.5]])
sigma = np.array([[0.05,0.1],[0.02,0.3]])

将有四个高斯，其中第一个以x=0.4为中心，σ=0.05。注：实际数据远大于2x2

我在寻找两件事中的一件：

高斯KDE解算器，允许每个点的带宽变化

或

将每个高斯分布的结果映射到三维数组中的一种方法，在一系列点上对每个高斯分布进行评估（例如，沿着np.linspace（0,1101）评估每个中心/σ对）。在这种情况下，我可以通过去掉数组[：，：，51]，将KDE值设为x=0.5

---

我发现处理这个问题的最好方法是通过sigma数组和数据数组的数组乘法。然后，我为每个我想求解KDE的值堆叠数组

import numpy as np

def solve_gaussian(val,data_array,sigma_array):
    return (1. / sigma_array) * np.exp(- (val - data_array) * (val - data_array) / (2 * sigma_array * sigma_array))

def solve_kde(xlist,data_array,sigma_array):
    kde_array = np.array([])
    for xx in xlist:
        single_kde = solve_gaussian(xx,data_array,sigma_array)
        if np.ndim(kde_array) == 3:
            kde_array = np.concatenate((kde_array,single_kde[np.newaxis,:,:]),axis=0)
        else:
            kde_array = np.dstack(single_kde)
    return kde_array

xlist = np.linspace(0,1,101) #Adjust as needed
kde_array = solve_kde(xlist,data_array,sigma_array)
kde_vector = np.sum(np.sum(kde_array,axis=2),axis=1)
mode_guess = xlist[np.argmax(kde_vector)]

---

警告，对于任何试图使用此代码的人：高斯值沿轴0，而不是原始问题中指定的轴2。

您不能逐行或其他方式切片数组吗？例如，对范围（data.shape）中的循环中的数据[i，：]”执行一维KDE？还有，你看过这个吗？行对行不起作用，因为每个单元格都有自己的方差。一个单元接一个单元可以工作，我只是不知道一个好的实现方法——我当前的实现花费的时间太长了一个数量级。至于scipy包，我目前正在尝试重写它以满足我的需要。如果没有更好的答案出现，我可能最终会这样做。

中的
sigma\u数组
不应该通过除以指数而不是乘以指数来求解吗？即：
return（1./sigma\u数组）*np.exp（-（val-data\u数组）*…