Python 每点使用一个带宽值的核估计

我熟悉常用的核密度估计（KDE），其中单个带宽值用于为每个采样点生成多变量（通常为高斯）函数。最后的KDE是通过对所有样本点的高斯函数求和得到的

假设我有N个样本点（假设为一维），每个点都有一个误差估计值，例如：

sample_points = [0.5, 0.7, 0.3, 1.2, 0.01, 3.6, 0.4]
errors = [0.02, 0.03, 0.05, 0.01, 0.03, 0.01, 0.07]

我所追求的是，使用与每个点相关联的错误作为其函数的带宽来获取此示例的KDE的方法

我最终可以通过分别手动获取每个点的高斯核，然后组合所有函数来实现这一点（这不是一项简单的任务）

是否有一个已经实现的函数可以执行此操作？我环顾四周，但我发现的核密度估计器函数（，）对所有点都使用固定的带宽值。

我最近问了一个问题。目前（就我所能找到的而言）还没有这方面的实现。以下是我使用的（适合我的需要）：

---

这是scipy高斯kde的重新实现

（我一定是一年前错过了这个答案，对不起）我对你的另一个答案发表了评论，给出了这个代码，为了完整性，我也会在这里这样做。

sigma\u数组

不应该将指数除以而不是相乘吗，即：

（1./sigma\u数组）*np.exp（-（val-data\u数组）*…

？正如在另一个答案中一样，是的；两者都已修复。感谢您捕捉到这一点。您如何在

数据数组
和
西格玛数组
中存储数据？我在尝试将数据馈送到
解算kde
时遇到一些错误。另外，您的代码应该适用于多维度吗？
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)]