Python Scipy多维核密度估计

我一直在试图得到30x30数组的内核密度估计。下面是一个简短的例子

from scipy.stats import gaussian_kde

x = arange(-0.5,0.51,1/29.)
y = arange(-0.5,0.51,1/29.)
z = randn(30,30)

vec = vstack((x,y))

KDE = gaussian_kde(z.T)
KDE2 = KDE(vec)

这会产生以下错误：

ValueError: points have dimension 2, dataset has dimension 30

我在这里发现了一些其他帖子，这些帖子建议在估算之前需要对数据进行重塑，但我不确定如何正确进行

谢谢你的帮助

---

D

使用

KDE=gaussian_KDE（z.T）

对

30

随机变量（检查

KDE.n

）进行核密度估计，每个变量的维数

30

（检查

KDE.D

）

如果您正在研究一些数据，那么这些数据就是

gaussian_kde（）

的输入

然后使用

KDE（vec）

估计

z

的内核密度。输入必须具有形状

（30，）

或

（30，N）

，其中

30

是维度数

KDE.d

。看医生

---

用这些形状填充

x，y

没有任何意义。这个例子应该让你开始学习。在那个例子中，

d=2

和

n=2000

你能为这些帖子提供一些建议吗？