核密度估计python代码3D图

以下是Python中使用Scikit-learn库进行核密度估计并绘制3D图的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn.neighbors import KernelDensity

# 生成随机数据
np.random.seed(0)
n_samples = 1000
mean = np.array([0, 0])
cov = np.array([[1, 0.5], [0.5, 1]])
X = np.random.multivariate_normal(mean, cov, n_samples)

# 构建核密度估计模型
kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(X)

# 生成网格点
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 50), np.linspace(y_min, y_max, 50))
zz = np.exp(kde.score_samples(np.c_[xx.ravel(), yy.ravel()]))
zz = zz.reshape(xx.shape)

# 绘制3D图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(xx, yy, zz, cmap=plt.cm.Spectral_r)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Density')
plt.show()

运行代码后，将得到一个3D图，其中横轴和纵轴表示数据的两个特征，纵轴表示概率密度值。