KDE在不同亩，SIGMA /映射功能蟒蛇到一个数组 [英] KDE in python with different mu, sigma / mapping a function to an array

问题描述

我有我想上执行高斯KDE，使用catch值的2维数组：点被假定为有不同的差异。对于这一点，我具​​有第二二维阵列（具有相同的形状），它是将用于各点的高斯的方差。在简单的例子，

 导入numpy的是NP
数据= np.array（[0.4,0.2]，[0.1,0.5]）
西格马= np.array（[[0.05,0.1]，[0.02,0.3]]）
 

将有有四个高斯，其中第一个是在x = 0.4具有与西格马居中; = 0.05。的注：实际数据比2x2的更大的

我找了两件事情之一：

1. 高斯KDE求解器，将允许对带宽改变每一个点

或

<醇开始=2>

到每个高斯的结果映射到3维阵列，与每个高斯在一系列点的评价的一种方法（例如，评估每个中心/＆西格玛;沿np.linspace（对0,1,101））。在这种情况下，我可以如通过采取outarray有在x = 0.5 KDE值[：，：，51]。

解决方案

我发现来处理，这是通过六西格玛数组的数组乘法和数据阵列的最好方法。然后，我堆栈阵列的每个值我要解决的KDE的。

 导入numpy的是NP高清solve_gaussian（VAL，data_array中，sigma_array）：
    返回（1 / sigma_array）* np.exp（ - （VAL  -  data_array中）*（val  - 一个data_array中）/（2 * sigma_array * sigma_array））高清solve_kde（的Xlist，data_array中，sigma_array）：
    kde_array = np.array（[]）
    在XX的Xlist：
        single_kde = solve_gaussian（XX，data_array中，sigma_array）
        如果np.ndim（kde_array）== 3：
            kde_array = np.concatenate（（kde_array，single_kde [np.newaxis，：，：]），轴= 0）
        其他：
            kde_array = np.dstack（single_kde）
    返回kde_array根据需要的Xlist = np.linspace（0,1,101）#Adjust
kde_array = solve_kde（的Xlist，data_array中，sigma_array）
kde_vector = np.sum（np.sum（kde_array，轴= 2），轴= 1）
mode_guess =的Xlist [np.argmax（kde_vector）
 

警告，任何人企图利用这个code：高斯的值是沿0轴，轴不作为2在原来的问题指定

I have a 2-dimensional array of values that I would like to perform a Gaussian KDE on, with a catch: the points are assumed to have different variances. For that, I have a second 2-dimensional array (with the same shape) that is the variance of the Gaussian to be used for each point. In the simple example,

import numpy as np
data = np.array([[0.4,0.2],[0.1,0.5]])
sigma = np.array([[0.05,0.1],[0.02,0.3]])

there would be four gaussians, the first of which is centered at x=0.4 with σ=0.05. Note: Actual data is much larger than 2x2

I am looking for one of two things:

1. A Gaussian KDE solver that will allow for bandwidth to change for each point

or

2. A way to map the results of each Gaussian into a 3-dimensional array, with each Gaussian evaluated across a range of points (say, evaluate each center/σ pair along np.linspace(0,1,101)). In this case, I could e.g. have the KDE value at x=0.5 by taking outarray[:,:,51].

解决方案

The best way I found to handle this is through array multiplication of a sigma array and a data array. Then, I stack the arrays for each value I want to solve the KDE for.

import numpy as np

def solve_gaussian(val,data_array,sigma_array):
    return (1. / sigma_array) * np.exp(- (val - data_array) * (val - data_array) / (2 * sigma_array * sigma_array))

def solve_kde(xlist,data_array,sigma_array):
    kde_array = np.array([])
    for xx in xlist:
        single_kde = solve_gaussian(xx,data_array,sigma_array)
        if np.ndim(kde_array) == 3:
            kde_array = np.concatenate((kde_array,single_kde[np.newaxis,:,:]),axis=0)
        else:
            kde_array = np.dstack(single_kde)
    return kde_array

xlist = np.linspace(0,1,101) #Adjust as needed
kde_array = solve_kde(xlist,data_array,sigma_array)
kde_vector = np.sum(np.sum(kde_array,axis=2),axis=1)
mode_guess = xlist[np.argmax(kde_vector)]

Caveat, for anyone attempting to use this code: the value of the Gaussian is along axis 0, not axis 2 as specified in the original question.

这篇关于KDE在不同亩，SIGMA /映射功能蟒蛇到一个数组的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！