如何在Python中保存Seaborn的KDE曲线并用于互相关分析？

一、高斯拟合（参数化模型） #

用scipy.optimize.curve_fit拟合高斯分布，得到幅值、均值、标准差参数后，即可定义可复用的高斯函数，直接用于后续互相关计算。

示例代码：

import numpy as np
from scipy.optimize import curve_fit

# 定义高斯函数模板
def gaussian(x, amp, mu, sigma):
    return amp * np.exp(-(x - mu)**2 / (2 * sigma**2))

# 替换为你的实际脉冲直方图数据
hist_data = np.random.normal(loc=5, scale=1, size=1000)
hist, bins = np.histogram(hist_data, bins=30, density=True)
bin_centers = (bins[:-1] + bins[1:])/2

# 拟合高斯曲线，p0为初始参数猜测
popt, _ = curve_fit(gaussian, bin_centers, hist, p0=[1, np.mean(hist_data), np.std(hist_data)])
amp_fit, mu_fit, sigma_fit = popt

# 封装拟合后的可调用函数
def fitted_gaussian(x):
    return gaussian(x, amp_fit, mu_fit, sigma_fit)

# 演示：与小脉冲做互相关
small_pulse = np.random.normal(loc=0, scale=0.5, size=50)
x_vals = np.linspace(-2, 10, 200)
fit_curve = fitted_gaussian(x_vals)
cross_corr = np.correlate(fit_curve, small_pulse, mode='same')

二、KDE拟合（非参数化模型） #

跳过Seaborn的绘图层，直接用scipy.stats.gaussian_kde生成KDE模型对象——这个对象本身就是可调用的函数，还能通过序列化保存，后续加载后可直接使用。

示例代码：

import numpy as np
from scipy.stats import gaussian_kde
import pickle

# 替换为你的实际脉冲数据
pulse_data = np.random.normal(loc=5, scale=1, size=1000)

# 创建KDE模型
kde_model = gaussian_kde(pulse_data)

# 保存模型到文件（可选，后续可直接加载复用）
with open('kde_pulse_model.pkl', 'wb') as f:
    pickle.dump(kde_model, f)

# 加载模型（后续使用时执行）
# with open('kde_pulse_model.pkl', 'rb') as f:
#     kde_model = pickle.load(f)

# 用模型计算任意x值的密度
x_vals = np.linspace(-2, 10, 200)
kde_curve = kde_model(x_vals)

# 演示互相关
small_pulse = np.random.normal(loc=0, scale=0.5, size=50)
cross_corr = np.correlate(kde_curve, small_pulse, mode='same')

三、经验分布函数（EF）拟合 #

如果EF指基于直方图的经验拟合，可通过插值将离散的直方图密度转换为连续函数，得到可调用的拟合函数。

示例代码：

import numpy as np
from scipy.interpolate import interp1d

# 替换为你的实际脉冲直方图数据
hist_data = np.random.normal(loc=5, scale=1, size=1000)
hist, bins = np.histogram(hist_data, bins=30, density=True)
bin_centers = (bins[:-1] + bins[1:])/2

# 生成连续插值函数（kind可选'linear'/'cubic'等）
ef_fit = interp1d(bin_centers, hist, kind='cubic', fill_value=0, bounds_error=False)

# 计算任意x值的密度
x_vals = np.linspace(-2, 10, 200)
ef_curve = ef_fit(x_vals)

# 演示互相关
small_pulse = np.random.normal(loc=0, scale=0.5, size=50)
cross_corr = np.correlate(ef_curve, small_pulse, mode='same')

内容的提问来源于stack exchange，提问作者Angel Barra