用python写出多维的核密度估计算法程序，其中维度用d表示

好的，以下是一个基于SciPy库的多维核密度估计算法的Python实现：

import numpy as np
from scipy.stats import gaussian_kde

def multivariate_kde(X):
    """
    多维核密度估计算法
    X: (d, n)的numpy数组，其中d表示数据维度，n表示样本数量
    return: 返回一个函数，可以输入一个(d, )的numpy数组，返回该点的概率密度值
    """
    kde = gaussian_kde(X)
    return lambda x: kde(x)

# 测试
if __name__ == "__main__":
    # 生成三维正态分布样本
    d = 3
    n = 1000
    mean = np.zeros(d)
    cov = np.eye(d)
    X = np.random.multivariate_normal(mean, cov, size=n).T
    
    # 构建多维核密度估计函数
    kde_func = multivariate_kde(X)
    
    # 给定一个点
    x = np.array([0.5, -1, 2])
    
    # 计算该点的概率密度值
    p = kde_func(x)
    print("点{}的概率密度值为{}".format(x, p))

上述代码中，我们首先使用`numpy`生成了一个`(d, n)`的二维数组`X`，其中每一列表示一个`d`维样本。然后，我们使用`scipy.stats.gaussian_kde`函数构建一个多维核密度估计函数，并返回一个匿名函数，可以输入一个`(d, )`的数组，返回该点的概率密度值。最后，我们给定一个点，通过该函数计算该点的概率密度值。

需要注意的是，当维度`d`较高时，多维核密度估计算法会变得非常耗时。因此，需要根据实际情况选择合适的算法和优化方法。