如何用Scipy获取条件多元高斯分布以实现混合PDF与CDF计算

对于多元高斯分布，给定单个点时计算PDF（概率密度函数）或CDF（累积分布函数）十分简单：

rv = scipy.stats.multivariate_normal(mean, cov)
# 计算指定点的PDF
rv.pdf(point)
# 计算以上限为边界的CDF
rv.cdf(upper)

但我的需求较为特殊：部分维度已知具体取值（需计算这部分的PDF），其余维度仅给定上限（需通过CDF积分计算）。

我将问题拆分为两步处理：

• 基于已知取值的维度，得到对应的条件多元高斯分布；
• 对剩余维度应用CDF函数，计算上限对应的积分值。

请问Scipy中是否存在可基于指定维度生成条件多元高斯分布的函数？

补充参考内容：

1. 多元正态CDF的Scipy实现：Scipy的multivariate_normal.cdf默认支持全维度的累积分布计算，但针对混合已知维度与上限的场景，需要结合条件分布的逻辑来实现需求。
2. 条件多元高斯分布的推导：多元正态分布的条件分布仍为正态分布。若将变量划分为已知取值的子集X₁和待积分的子集X₂，对应均值拆分为μ₁、μ₂，协方差矩阵拆分为Σ₁₁（X₁的协方差）、Σ₁₂（X₁与X₂的协方差）、Σ₂₁（Σ₁₂的转置）、Σ₂₂（X₂的协方差），则X₂在X₁=x₁条件下的分布参数为：
   • 条件均值：$\mu_2 + \Sigma_{21}\Sigma_{11}^{-1}(x_1 - \mu_1)$
   • 条件协方差：$\Sigma_{22} - \Sigma_{21}\Sigma_{11}^{-1}\Sigma_{12}$

内容的提问来源于stack exchange，提问作者j13r