问题描述
我正在尝试使用内核密度估计器来获取数据的分布。使用seaborn，我可以简单地调用"kDirectionSetting"，这将绘制kde或数据的分布。但是，对于seaborn，我无法获得新数据点的分数。但是，如果我使用的是sklearn库，则可以简单地调用sns.kdeplot(temp,shade=True)。因此，我如何才能与seaborn达成同一目标？或者，有什么方法可以退还从seaborn获得的kde吗？
非常感谢您的帮助！
解决方法
浏览文档https://github.com/mwaskom/seaborn/blob/a9577e705023873de7c7bbf3e9b6ae0dc1880b51/seaborn/distributions.py#L2641后，内核的带宽计算为：bw = stats.gaussian_kde(a).scotts_factor() * a.std(ddof=1)因此，我将sklearn的bw和kde用作：kde = KernelDensity(kernel='gaussian',bandwidth=bw).fit(temp.reshape(-1,1))。>
因此，现在我可以打电话：kde.score_samples(x_axis.reshape(-1,1))。