核密度估计python例子

以下是一个使用Python进行核密度估计的简单示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
from sklearn.neighbors import KernelDensity

# 生成一些随机数据
np.random.seed(1234)
X = np.concatenate((np.random.normal(0, 1, 100), np.random.normal(5, 1, 100)))

# 创建一个核密度估计对象
kde = KernelDensity(kernel='gaussian', bandwidth=0.5)

# 将数据拟合到估计器中
kde.fit(X[:, None])

# 创建一些测试数据
x_test = np.linspace(-5, 10, 1000)[:, None]

# 使用估计器对测试数据进行预测
log_dens = kde.score_samples(x_test)

# 绘制结果
plt.fill_between(x_test[:, 0], np.exp(log_dens), alpha=0.5)
plt.plot(X, np.full_like(X, -0.01), '|k', markeredgewidth=1)
plt.ylim(-0.02, 0.22)
plt.show()

这个示例生成了一些随机数据，并使用高斯核函数和带宽为0.5的核密度估计器进行拟合。然后，使用估计器对新的测试数据进行预测，并将结果可视化。