我正试图将KDE应用于我的数据，其结构如下：
|x轴值|：1、2、3。。。
|y轴值|：5、8、10。。。
|坐标点值|：98，35，15。。。
我能够将KDE应用于X-Y坐标对，并估计点的分布，但这不包括Coord点值。
所以问题是：是否有一种方法可以估计X-Y数据点的KDE，并在坐标点值上获得类似的分布
理想情况下，创建的输出将是两个通道：
通道1:X-Y坐标对的二维分布
通道2：同一分布上的二维估计坐标点值
更新：
在下面的代码中，我试图解决我的问题，但结果的输出分布"gg"太大，因为每个点都获得了一些大的分布。
目前我不确定浓缩这一点的最佳方法，简单地获得最大值就足够了吗？
def kde3D(x, y, z, bandwidth, xbins=60j, ybins=60j, zbins=180j, ** kwargs):
"""Build 3D kernel density estimate (KDE)."""
# create grid of sample locations (default: 100x100)
xx, yy, zz = np.mgrid[0:60:xbins,
0:60:ybins,
-180:180:zbins]
xy_sample = np.vstack([yy.ravel(), xx.ravel(),zz.ravel()]).T
xy_train = np.vstack([y, x, z]).T
kde_skl = KernelDensity(bandwidth=bandwidth, **kwargs)
kde_skl.fit(xy_train)
# score_samples() returns the log-likelihood of the samples
gamma = np.exp(kde_skl.score_samples(xy_sample)) # Compute the log-likelihood of each sample under the model.
gg = np.reshape(gamma, xx.shape)
return xx, yy, zz ,gg
更新2:
我能够通过使用3D KDE的输出来解决问题通过使用argmax和max函数，您可以将每个像素的输出函数提取为其最大值，这对于当前的问题来说已经足够好了。np.argmax表示坐标对值，np.max表示该点的概率分布值。因此，您不再有NxNxM输出，而是一个NxN。
不确定我是否正确理解了你的问题，但也许你可以尝试以下两个KDE：
- 通道1：仅适合X-Y坐标对
- 通道2：拟合X-Y坐标对，并使用z值作为采样权重