如果适当地选择了每个函数中的和参数,则在给定的数据集上应用函数scipy.ndimage.filters.gaussian_filter和scipy.stats.gaussian_kde可以得到非常相似的结果。sigma
bw_method
例如,我可以通过sigma=2.
在gaussian_filter
(左图)和(右图)bw_method=sigma/30.
中设置来获得以下图的随机二维点分布gaussian_kde
:
(MWE在问题的底部)
这些参数之间显然存在关系,因为一个对数据应用高斯滤波器,另一个应用高斯核密度估计器。
每个参数的定义是:
sigma : 标量或标量序列 高斯核的标准偏差。每个轴的高斯滤波器的标准偏差作为一个序列或单个数字给出,在这种情况下,它对所有轴都是相等的。
鉴于高斯算子的定义,我可以理解这一点:
- scipy.stats.gaussian_kde,:
bw_method
_
bw_method:str,标量或可调用,可选用于计算估计器带宽的方法。这可以是“scott”、“silverman”、标量常量或可调用对象。如果是标量,这将直接用作 kde.factor。如果是可调用的,它应该将 gaussian_kde 实例作为唯一参数并返回一个标量。如果无(默认),则使用“斯科特”。有关详细信息,请参阅注释。
在这种情况下,我们假设 for 的输入bw_method
是一个标量(浮点数),以便与sigma
. 这是我迷路的地方,因为我在任何地方都找不到有关此kde.factor
参数的信息。
如果可能的话,我想知道的是连接这两个参数(即:以及何时使用浮点数)的精确数学方程。sigma
bw_method
MWE:
import numpy as np
from scipy.stats import gaussian_kde
from scipy.ndimage.filters import gaussian_filter
import matplotlib.pyplot as plt
def rand_data():
return np.random.uniform(low=1., high=200., size=(1000,))
# Generate 2D data.
x_data, y_data = rand_data(), rand_data()
xmin, xmax = min(x_data), max(x_data)
ymin, ymax = min(y_data), max(y_data)
# Define grid density.
gd = 100
# Define bandwidth
bw = 2.
# Using gaussian_filter
# Obtain 2D histogram.
rang = [[xmin, xmax], [ymin, ymax]]
binsxy = [gd, gd]
hist1, xedges, yedges = np.histogram2d(x_data, y_data, range=rang, bins=binsxy)
# Gaussian filtered histogram.
h_g = gaussian_filter(hist1, bw)
# Using gaussian_kde
values = np.vstack([x_data, y_data])
# Data 2D kernel density estimate.
kernel = gaussian_kde(values, bw_method=bw / 30.)
# Define x,y grid.
gd_c = complex(0, gd)
x, y = np.mgrid[xmin:xmax:gd_c, ymin:ymax:gd_c]
positions = np.vstack([x.ravel(), y.ravel()])
# Evaluate KDE.
z = kernel(positions)
# Re-shape for plotting
z = z.reshape(gd, gd)
# Make plots.
fig, (ax1, ax2) = plt.subplots(1, 2)
# Gaussian filtered 2D histograms.
ax1.imshow(h_g.transpose(), origin='lower')
ax2.imshow(z.transpose(), origin='lower')
plt.show()