如何使用scipy gaussian_kde获得概率密度函数？

Question

我有一个1D数据集，保存在1D列表中。获得概率密度函数的最佳方法是什么？我尝试了使用scipy gaussian_kde的常用方法。

array = np.array(values)

kde = gaussian_kde(array)

x = np.linspace(0, 50, 500)

plt.plot(x, kde(x), label="", color="blue")

plt.legend(loc='best')

plt.show()

生成的图不是预期的概率密度函数，因为对于每个x，概率密度函数应具有介于0和1之间的值。

Answer 1

使用以下代码。import osimport matplotlib.pyplot as pltimport sysimport mathimport numpy as npimport scipy.stats as stfrom scipy.stats._continuous_distns import _distn_namesfrom scipy.optimize import curve_fitdef get_pdf(latency_list):    np_array = np.array(latency_list)  # convert the list into a numpy array    ag = st.gaussian_kde(np_array)  # calculate the kernel density function for the latency values    # list of equidistant values in the range of the latency values    x = np.linspace(min(latency_list), max(latency_list), (max(latency_list) - min(latency_list)) * 10)    y = ag(x)  # evaluate the latency values for each x value    return x, y