如何用Python绘制基于Old Faithful数据集的高斯PDF轮廓图?解决z维度报错
报错原因定位
- 核心问题是混淆了单变量、多元高斯分布的API调用规则:你当前使用的
scipy.stats.norm是单变量正态分布实现,其pdf()方法仅支持接收单个维度的数值输入计算概率密度。你将两个维度的网格通过np.dstack拼接成三维数组传入时,函数输出的结果维度不符合plt.contourf()要求的2D矩阵格式,因此触发TypeError: Input z must be 2D, not 3D报错。就算绕过维度报错,单变量接口计算得到的也只是单维度的概率值,无法输出双变量联合分布的密度矩阵,绘制出的轮廓完全不符合目标要求。 - 逻辑错配:Old Faithful数据集的目标轮廓是喷发时长、等待时间两个变量的二元联合分布轮廓,本身就需要通过多元高斯计算联合概率密度,无法直接用单变量高斯的接口完成计算。
修正实现方案
调整思路
- 替换单变量正态接口为多元正态分布接口
scipy.stats.multivariate_normal,该接口原生支持接收二维网格点计算联合概率密度,输出结果天然为匹配轮廓图要求的2D数组。 - 按照多元高斯的参数要求,将之前估计的均值、方差整理为对应的格式:均值为包含两个维度值的向量,协方差为2x2的协方差矩阵。
可直接运行的代码
import numpy as np import matplotlib.pyplot as plt from scipy.stats import multivariate_normal # 生成坐标轴网格 t = np.linspace(1.5, 6, 100) h = np.linspace(1.2, 6, 100) w_0, w_1 = np.meshgrid(t, h) # 将网格点打包为多元高斯需要的输入格式 grid_points = np.dstack((w_0, w_1)) # 替换为你估计得到的参数:mean为两维度均值组成的向量,cov为2x2协方差矩阵 mean_vec = np.array([u_ml[0], u_ml[1]]) cov_mat = np.array([ [sig_ml[0, 0], sig_ml[0, 1]], [sig_ml[1, 0], sig_ml[1, 1]] ]) # 计算二元高斯的概率密度矩阵 z = multivariate_normal(mean=mean_vec, cov=cov_mat).pdf(grid_points) # 绘制填充轮廓图 plt.contourf(t, h, z, cmap='plasma') plt.xlabel("喷发时长") plt.ylabel("等待间隔") plt.show()
注意:如果你之前对两个变量做的是独立的单变量高斯估计,只要把两个单变量的方差对应放到协方差矩阵的对角位置,非对角协方差元素设为0,即可计算独立假设下的联合分布轮廓。
内容的提问来源于stack exchange,提问作者Nicolas Pacheco
相关产品推荐
相关产品推荐

