寻求支持自定义核函数+各维度独立带宽的Python多变量KDE实现

你的调研结论基本准确，各主流库的KDE实现确实存在以下限制：

• scipy.stats.multivariate_normal/scipy.stats.kde/scipy.stats.gaussian_kde：仅支持高斯核，且带宽为全局统一（gaussian_kde虽可自定义协方差矩阵，但本质是维度间相关的缩放，无法完全独立设置单维度带宽）
• sklearn.neighbors.KernelDensity：支持多种核函数（如高斯、拓扑、柯西等），但bandwidth参数为全局值，无法按维度单独配置
• statsmodels.nonparametric.KDEMultivariate：支持维度独立带宽（bw参数可传入数组），但核函数仅支持高斯、二次（Epanechnikov）、均匀三种，选择范围有限

可选方案：自定义实现KDE #

由于现有主流库没有同时满足「灵活选择核函数」和「维度独立带宽」的实现，最直接的方案是基于KDE的核心逻辑自定义实现，完全按需控制核函数和带宽设置。

KDE的核心计算逻辑为：对每个样本点，按维度带宽缩放后计算核函数值，再对所有样本的核函数值取平均并归一化。以下是一个极简的示例实现，支持任意单变量核函数和维度独立带宽：

import numpy as np
from scipy.stats import cauchy, norm, epanechnikov

def multi_dim_kde(predict_points, sample_data, bw_per_dim, kernel=norm):
    """
    支持维度独立带宽和自定义核函数的多维KDE实现
    参数：
        predict_points: (n, d) 数组，需要预测密度的点
        sample_data: (m, d) 数组，样本数据集
        bw_per_dim: (d,) 数组，每个维度的带宽值
        kernel: 单变量核函数（需具备pdf方法，如scipy.stats中的分布）
    返回：
        (n,) 数组，每个预测点的密度值
    """
    n_dims = sample_data.shape[1]
    # 对每个维度进行带宽缩放
    scaled_diff = (sample_data[np.newaxis, :, :] - predict_points[:, np.newaxis, :]) / bw_per_dim
    # 计算各维度核函数值并相乘（多维核为单维核的乘积，假设维度独立）
    kernel_values = np.prod(kernel.pdf(scaled_diff), axis=2)
    # 归一化计算密度值
    density = np.mean(kernel_values, axis=1) / np.prod(bw_per_dim)
    return density

使用示例：

# 生成二维样本数据
data = np.random.multivariate_normal([0, 0], [[1, 0.2], [0.2, 3]], 1000)
# 设置每个维度的独立带宽
bw = [0.5, 1.2]
# 生成预测点
points = np.array([[0, 0], [1, 2], [-0.5, 1]])
# 使用柯西核计算密度
density = multi_dim_kde(points, data, bw, kernel=cauchy)
print(density)

这种自定义方式的优势在于：

• 支持任意具备pdf方法的单变量核函数（如柯西、拉普拉斯、Epanechnikov等）
• 完全独立控制每个维度的带宽
• 可根据需求扩展（如加入核函数权重、调整归一化方式等）

内容的提问来源于stack exchange，提问作者myradio