Python 边界附近概率密度函数（pdf）的估计较差

当使用

stats.kde.gaussian_-kde

估计[0,1]中的值的pdf时，如果这些值是均匀分布的，

stats.kde.gaussian_-kde

在接近边界（接近0和接近1）时给出非常差的结果。请参见下面的代码和图片

有没有办法处理这种接近边界的糟糕估计

---

好的，它正在做你要求的，正态分布的最佳平滑近似。如果你的模型是错误的，请使用不同的模型…这根本不能回答我的问题。当值均匀分布时（如我的示例中所示），它（红色曲线）在接近边界区域（接近0和接近1）时给出非常差的结果。当值均匀分布时，我希望估计的pdf非常接近一条线（在1处）。除了stats.kde.gaussian_kde之外，还有什么内核估计器可以提供这一点？

import numpy as np
import random
import scipy.stats as stats
import matplotlib.pyplot as plt

X = [random.uniform(0,1) for _ in range(10000)]
linsp = np.linspace(0, 1, 1000)

nparam_density = stats.kde.gaussian_kde(X)
nparam_density = nparam_density(linsp)

fig, ax = plt.subplots(figsize=(10, 6))
ax.hist(X, bins=30, normed=True)
ax.plot(linsp, nparam_density, 'r-', label='non-parametric density (smoothed by Gaussian kernel)')
ax.legend(loc='best')
fig.savefig('pdf.png')