我正在尝试使用the scipy.stats.gaussian_kde class把一些离散的经纬度信息采集到的数据进行平滑处理，所以最后看起来有点像等高线图，密度高的就是峰，密度低的就是谷。
我很难将二维数据集放入gaussian_kde班级。我已经尝试弄清楚它如何处理一维数据，所以我认为二维数据应该是这样的：
from scipy import stats
from numpy import array
data = array([[1.1, 1.1],
[1.2, 1.2],
[1.3, 1.3]])
kde = stats.gaussian_kde(data)
kde.evaluate([1,2,3],[1,2,3])
也就是说我有 3 分[1.1, 1.1], [1.2, 1.2], [1.3, 1.3]。我想使用 1 到 3 进行核密度估计，在 x 和 y 轴上使用宽度 1。
创建 gaussian_kde 时，它一直给我这个错误：
raise LinAlgError("singular matrix")
numpy.linalg.linalg.LinAlgError: singular matrix
查看源代码gaussian_kde，我意识到我思考数据集含义的方式与计算维度的方式完全不同，但我找不到任何示例代码来显示多维数据如何与模块配合使用。有人可以帮我提供一些示例使用方法吗gaussian_kde多维数据？
这个例子似乎正是您正在寻找的：
import numpy as np
import scipy.stats as stats
from matplotlib.pyplot import imshow
# Create some dummy data
rvs = np.append(stats.norm.rvs(loc=2,scale=1,size=(2000,1)),
stats.norm.rvs(loc=0,scale=3,size=(2000,1)),
axis=1)
kde = stats.kde.gaussian_kde(rvs.T)
# Regular grid to evaluate kde upon
x_flat = np.r_[rvs[:,0].min():rvs[:,0].max():128j]
y_flat = np.r_[rvs[:,1].min():rvs[:,1].max():128j]
x,y = np.meshgrid(x_flat,y_flat)
grid_coords = np.append(x.reshape(-1,1),y.reshape(-1,1),axis=1)
z = kde(grid_coords.T)
z = z.reshape(128,128)
imshow(z,aspect=x_flat.ptp()/y_flat.ptp())
显然，轴需要修理。
您还可以使用以下命令绘制数据散点图
scatter(rvs[:,0],rvs[:,1])
