我可以在 python 中获得核密度估计的一阶导数吗？
Can I get first derivative for kernel density estimation in python?
我有一个二维数组的数据，我使用 gaussian_kde 来估计数据分布。现在，我想获得结果密度估计器的一阶导数以获得零交叉点。是否有可能从估计的密度中得到它？如果是这样，Python 中是否有任何内置函数可以提供帮助？
按照 gaussian_kde 文档中的示例，一旦有了 Z，或者更一般地说，估计了 X 轴上的密度，就可以使用标准计算其导数numpy 函数：
diff = np.gradient(Z)
请注意，np.gradient 计算中心差异。如果你想要前向差异，你可以这样做：
diff = np.r_[Z[1:] - Z[:-1], 0]
要找到过零点，您可以执行以下操作：
sdiff = np.sign(diff)
zc = np.where(sdiff[:-1] != sdiff[1:])
您可以将上面的二维扩展为 dy, dx = np.gradient(Z) 和 Z 二维数组。然后在Y和X两个方向上操作。
我有一个二维数组的数据，我使用 gaussian_kde 来估计数据分布。现在，我想获得结果密度估计器的一阶导数以获得零交叉点。是否有可能从估计的密度中得到它？如果是这样，Python 中是否有任何内置函数可以提供帮助？
按照 gaussian_kde 文档中的示例，一旦有了 Z，或者更一般地说，估计了 X 轴上的密度，就可以使用标准计算其导数numpy 函数：
diff = np.gradient(Z)
请注意，np.gradient 计算中心差异。如果你想要前向差异，你可以这样做：
diff = np.r_[Z[1:] - Z[:-1], 0]
要找到过零点，您可以执行以下操作：
sdiff = np.sign(diff)
zc = np.where(sdiff[:-1] != sdiff[1:])
您可以将上面的二维扩展为 dy, dx = np.gradient(Z) 和 Z 二维数组。然后在Y和X两个方向上操作。