正态分布核密度估计python

在Python中，你可以使用`scipy.stats`库来实现正态分布的核密度估计。以下是一个简单的示例：

from scipy.stats import norm, kde
import numpy as np
import matplotlib.pyplot as plt

# 假设我们有一个随机生成的一维正态分布数据
data = norm.rvs(size=1000, loc=0, scale=1)

# 创建核密度估计器
kde_instance = kde.gaussian_kde(data)

# 绘制原始数据和核密度估计图
x_grid = np.linspace(-3, 3, 400)
plt.plot(x_grid, kde_instance(x_grid), label='KDE')

plt.hist(data, bins=30, density=True, alpha=0.5, label='Data')
plt.legend()
plt.title('Normal Distribution KDE using Scipy')
plt.show()

这段代码首先创建了一个正态分布的随机数据集，然后利用`gaussian_kde`函数创建一个核密度估计器。最后，它绘制了数据点的直方图和对应的核密度曲线，以便直观地观察数据的分布情况。