在R中，我可以通过以下操作创建所需的输出:
data = c(rep(1.5, 7), rep(2.5, 2), rep(3.5, 8),
rep(4.5, 3), rep(5.5, 1), rep(6.5, 8))
plot(density(data, bw=0.5))
在python中(使用matplotlib)，我得到的最接近的结果是一个简单的直方图:
import matplotlib.pyplot as plt
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
plt.hist(data, bins=6)
plt.show()
我也try 了the normed=True parameter次，但除了try 将高斯分布拟合到直方图之外，我什么也得不到.
我最近的try 大约是scipy.stats次和gaussian_kde次，在网上有一些例子，但到目前为止我一直没有成功.
Sven已经展示了如何使用Scipy中的类gaussian_kde，但您会注意到它与您使用R生成的类不太一样.这是因为gaussian_kde试图自动推断带宽.您可以通过更改gaussian_kde类的函数covariance_factor来使用带宽.首先，在不改变该函数的情况下，可以得到以下结果:
但是，如果我使用以下代码:
import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde
data = [1.5]*7 + [2.5]*2 + [3.5]*8 + [4.5]*3 + [5.5]*1 + [6.5]*8
density = gaussian_kde(data)
xs = np.linspace(0,8,200)
density.covariance_factor = lambda : .25
density._compute_covariance()
plt.plot(xs,density(xs))
plt.show()
我明白了
这和你从R得到的非常接近.我做了什么？gaussian_kde使用可变函数covariance_factor计算其带宽.在更改函数之前，此数据的协方差_因子返回的值约为0.5.降低这个会降低带宽.在改变函数后，我不得不调用_compute_covariance，以便正确计算所有的因子.它与R中的bw参数并不完全对应，但希望它能帮助您找到正确的方向.