对二维数据使用scipy.stats.gaussian_kde
我正在尝试使用the scipy.stats.gaussian_kde class来平滑一些使用纬度和经度信息收集的离散数据，因此它最终显示为有点类似于等值线图，其中高密度是峰值，低密度是谷。
我很难将二维数据集放入gaussian_kde类中。我试着弄清楚它是如何处理一维数据的，所以我认为二维应该是这样的：
from scipy import stats
from numpy import array
data = array([[1.1, 1.1],
[1.2, 1.2],
[1.3, 1.3]])
kde = stats.gaussian_kde(data)
kde.evaluate([1,2,3],[1,2,3])也就是说我在[1.1, 1.1], [1.2, 1.2], [1.3, 1.3]有3分。我想要在x和y轴上使用宽度为1的1到3的核密度估计。
在创建gaussian_kde时，它一直给我这个错误：
raise LinAlgError("singular matrix")
numpy.linalg.linalg.LinAlgError: singular matrix查看gaussian_kde的源代码，我意识到我思考dataset含义的方式与计算维度的方式完全不同，但我找不到任何示例代码来说明多维数据如何使用该模块。有人能帮我介绍一些使用gaussian_kde处理多维数据的示例方法吗？
回答 4
Stack Overflow用户
发布于 2011-05-25 22:55:52
This example似乎就是你要找的东西：
import numpy as np
import scipy.stats as stats
from matplotlib.pyplot import imshow
# Create some dummy data
rvs = np.append(stats.norm.rvs(loc=2,scale=1,size=(2000,1)),
stats.norm.rvs(loc=0,scale=3,size=(2000,1)),
axis=1)
kde = stats.kde.gaussian_kde(rvs.T)
# Regular grid to evaluate kde upon
x_flat = np.r_[rvs[:,0].min():rvs[:,0].max():128j]
y_flat = np.r_[rvs[:,1].min():rvs[:,1].max():128j]
x,y = np.meshgrid(x_flat,y_flat)
grid_coords = np.append(x.reshape(-1,1),y.reshape(-1,1),axis=1)
z = kde(grid_coords.T)
z = z.reshape(128,128)
imshow(z,aspect=x_flat.ptp()/y_flat.ptp())
很明显，轴心需要修复。
您还可以使用以下命令绘制数据散点图
scatter(rvs[:,0],rvs[:,1])
Stack Overflow用户
发布于 2010-11-09 08:28:43
我认为你把核密度估计和插值或者核回归搞混了。如果你有一个更大的点样本，KDE估计点的分布。
我不确定你想要哪种插值，但scipy.interpolate中的样条或rbf会更合适。
如果您想要一维内核回归，那么您可以在scikits.statsmodels中找到具有多个不同内核的版本。
更新:这里有一个例子(如果这是你想要的)
>>> data = 2 + 2*np.random.randn(2, 100)
>>> kde = stats.gaussian_kde(data)
>>> kde.evaluate(np.array([[1,2,3],[1,2,3]]))
array([ 0.02573917, 0.02470436, 0.03084282])gaussian_kde在行中有变量，在列中有观察值，因此与通常的统计数据方向相反。在您的示例中，所有三个点都在一条线上，因此它具有完美的相关性。我想，这就是奇异矩阵的原因。
调整数组方向并添加一个小杂点，示例可以工作，但看起来仍然非常集中，例如，您在(3，3)附近没有任何采样点：
>>> data = np.array([[1.1, 1.1],
[1.2, 1.2],
[1.3, 1.3]]).T
>>> data = data + 0.01*np.random.randn(2,3)
>>> kde = stats.gaussian_kde(data)
>>> kde.evaluate(np.array([[1,2,3],[1,2,3]]))
array([ 7.70204299e+000, 1.96813149e-044, 1.45796523e-251])Stack Overflow用户
发布于 2017-09-20 00:11:58
顶部答案中发布的示例对我不起作用。我不得不稍微调整一下，现在它起作用了：
import numpy as np
import scipy.stats as stats
from matplotlib import pyplot as plt
# Create some dummy data
rvs = np.append(stats.norm.rvs(loc=2,scale=1,size=(2000,1)),
stats.norm.rvs(loc=0,scale=3,size=(2000,1)),
axis=1)
kde = stats.kde.gaussian_kde(rvs.T)
# Regular grid to evaluate kde upon
x_flat = np.r_[rvs[:,0].min():rvs[:,0].max():128j]
y_flat = np.r_[rvs[:,1].min():rvs[:,1].max():128j]
x,y = np.meshgrid(x_flat,y_flat)
grid_coords = np.append(x.reshape(-1,1),y.reshape(-1,1),axis=1)
z = kde(grid_coords.T)
z = z.reshape(128,128)
plt.imshow(z,aspect=x_flat.ptp()/y_flat.ptp())
plt.show()https://stackoverflow.com/questions/4128699
复制相似问题
腾讯云开发者
