Ecrire une fonction de densité du noyau

1 Ce que tu veux faire

Générez une fonction de densité du noyau avec Jupyter et visualisez-la. Cliquez ici pour une description de la fonction de densité du noyau [https://www.ie-kau.net/entry/kernel_density_est)

2 code

La forme de la fonction de densité du noyau semble être légèrement différente entre l'utilisation de la fonction gaussian_kde et l'utilisation de la fonction seabon kdeplot.

/home/sampletest/sample.py

from numpy.random import randn
import seaborn as sns
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde
sns.set_style("whitegrid")
from scipy.integrate import cumtrapz #Bibliothèque pour intégrer le pdf dans toutes les sections



#Donnez un jeu de données et générez une fonction de densité du noyau. Il calcule également la fréquence cumulée de la fonction de densité du noyau et
#Valeur cumulée en baisse,Renvoie la valeur X en hausse.

def pdf_kernel(dataset,down,up):

    d_max=np.max(dataset)+0.2
    d_min=np.min(dataset)-0.2

    d_kernel = gaussian_kde(dataset) #Génère une fonction d'estimation de la densité du noyau. La bande passante est calculée automatiquement.

    #Spécifiez la plage à intégrer: d_min à j_Intégrez dans la plage de max.
    d_xs = np.linspace(d_min, d_max, num=1000)

    #Entrée de la fonction de densité du noyau(d_xs)Et sortie(d_ys)Est défini.
    d_ys = d_kernel(d_xs)

    #Fonction de distribution cumulative d_Intégrez dans la gamme de xs.
    d_integral = cumtrapz(d_ys, d_xs)

    #cdf(x) = 0.Trouvez x qui est 03. ré_0 dans le tableau intégral.Le nombre le plus proche de 03 est calculé dans le tableau.
    idx_d= np.searchsorted(d_integral, down)

    #cdf(x) = 0.Trouvez x qui vaut 9. ré_0 dans le tableau intégral.Le nombre le plus proche de 9 est calculé comme le nombre dans le tableau.
    idx_u = np.searchsorted(d_integral, up)


    #Le graphique s'affiche.
    ax=plt.plot(d_xs, d_ys, label="KDE")
    plt.xlim(d_min-1, d_max+1) 

    #Valeur cumulée 5%Afficher la gamme de
    plt.fill_between(d_xs[:idx_d], 0, d_ys[:idx_d], facecolor="r", alpha=0.5)


    #Valeur cumulée 90%Afficher la gamme de
    plt.fill_between(d_xs[idx_u:], 0, d_ys[idx_u:], facecolor="r", alpha=0.5)

    #Légende affichée en haut à droite
    plt.legend(loc="upper right")

    pdf_val={"down":d_xs[idx_d],"up":d_xs[idx_u]}
    return pdf_val



#Le programme principal commence par le suivant
dataset = randn(50) #Générez 50 nombres aléatoires qui suivent une distribution uniforme
down=0.05 
up=0.9


#Donnez un jeu de données et générez une fonction de densité du noyau. Il calcule également la fréquence cumulée de la fonction de densité du noyau et
#Valeur cumulée en baisse,Renvoie la valeur X en hausse.
val=pdf_kernel(dataset,down,up) 

#Ecrivez une fonction de densité de noyau en utilisant seaborn.
sns.kdeplot(dataset,label="from seaborn")

Résultat de l’exécution </ b>