更新:scipy.stats.gaussian_kde 现在支持加权样本。参见 here和 here了解详情。
目前无法使用 scipy.stats.gaussian_kde 根据 weighted samples 估计随机变量的密度.基于加权样本估计连续随机变量密度的方法有哪些？
最佳答案
都不是sklearn.neighbors.KernelDensity也不statsmodels.nonparametric似乎支持加权样本。我修改了 scipy.stats.gaussian_kde 以允许异构采样权重，并认为结果可能对其他人有用。示例如下所示。
ipython notebook 可以在这里找到:http://nbviewer.ipython.org/gist/tillahoffmann/f844bce2ec264c1c8cb5
实现细节
加权算术平均值为
unbiased data covariance matrix然后由
带宽可以通过 scott 或 silverman 规则来选择，就像在 scipy 中一样。然而，用于计算带宽的样本数是Kish's approximation for the effective sample size。 .
关于python - `python` 中的加权高斯核密度估计，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27623919/