Python中的密度估计
我是Python新手,必须从2D样本估计密度。我的第一个想法是一个简单的直方图估计器,我实现如下:Python中的密度估计,python,statistics,kernel-density,Python,Statistics,Kernel Density,我是Python新手,必须从2D样本估计密度。我的第一个想法是一个简单的直方图估计器,我实现如下: num = 10**4 sp = 0.01 subsetf1 = np.random.uniform(0,1,size=(num,2)) # I created this set to test the estimator def f_est(x,y,h=sp, subset=subsetf1): indicator = np.zeros(num) for i in rang
num = 10**4
sp = 0.01
subsetf1 = np.random.uniform(0,1,size=(num,2)) # I created this set to test the estimator
def f_est(x,y,h=sp, subset=subsetf1):
indicator = np.zeros(num)
for i in range(num):
if (x <= subset[i][0] <= (x + h)) and (y <= subset[i][1] <= (y + h)):
indicator[i] = 1
else : indicator[i] = 0
return sum(indicator)/(num*h**2)
#f_est should yield values closely to 1 if 0 <x,y <1 , because subsetf1 contains uniformly distributed values on [0,1).
f会产生奇怪的值,这些值不可能是正确的。
如果有人能告诉我代码中的错误在哪里,或者如何在Python中使用kde,那就太好了,因为我没有找到关于这个主题的好教程。内核密度估计值可以产生大于1的值,因为它们返回的不是概率,而是概率密度。在您的例子中,概率密度给出了每单位面积的概率,并且局部可能远大于1
好消息是,由于您的结果与scipy或statsmodels的结果相匹配,因此听起来您的代码是正确的。您是否将您的结果与scipy的密度估计等内置函数进行了比较?或者更确切地说,我应该问,你把你的结果和什么做了比较,如果有的话?嗨,乔恩。我还尝试了scipy的密度估计,因此代码也在我的帖子中。问题是scipys densitys的估计结果完全错误,我不知道为什么。对不起,我没有看到这一点。Scipy的另一种选择是statsmodels。你试过这个吗
from scipy import stats
xmin = partsetf1[0].min()
xmax = partsetf1[0].max()
ymin = partsetf1[1].min()
ymax = partsetf1[1].max()
X, Y = np.mgrid[xmin:xmax:100j, ymin:ymax:100j]
positions = np.vstack([X.ravel(), Y.ravel()])
values = np.vstack([partsetf1[0], partsetf1[1]])
gkde=stats.gaussian_kde(values)
f = np.reshape(gkde(positions).T, X.shape)