Я думаю, что проблема в том, что он показывает код вместо результата, так это то, что он не будет на локальном хосте. перепроверьте, какой адрес ур собирается. И отправляемся в локальный каталог файлов или на локальный хост.
из скриншота u отправил его на ур компьютер не на localhost.
"file: ///" это должен быть "localhost /"
Ни sklearn.neighbors.KernelDensity
, ни statsmodels.nonparametric
, похоже, не поддерживают взвешенные образцы. Я модифицировал scipy.stats.gaussian_kde
, чтобы обеспечить гетерогенные весы выборки и подумал, что результаты могут быть полезны для других. Пример показан ниже.
[/g6]
Ноутбук ipython
можно найти здесь: http://nbviewer.ipython.org/ gist / tillahoffmann / f844bce2ec264c1c8cb5
Средневзвешенное среднее арифметическое составляет
[/g7]
несмещенная матрица ковариации данных затем задается [/g8]
. Полоса пропускания может быть выбрана правилами scott
или silverman
, как в scipy
, Однако число выборок, используемых для расчета полосы пропускания, представляет собой приближение Киша для эффективного размера выборки .
Проверьте пакеты PyQT-Fit и статистику для Python. Кажется, что они имеют оценку плотности ядра с взвешенными наблюдениями.
scipy
разработчики интегрировали ваш код вscipy
илиstatsmodels
? – cel 23 December 2014 в 18:02np.arange
, а неxrange
, потому что numpy часто преобразуется в массивы изнутри. Но тестирование было бы лучше, чем мои спекуляции. – Till Hoffmann 11 July 2016 в 14:58