### 实现三维核密度估计 在 Python 中进行三维核密度估计可以借助 `scipy` 和 `sklearn` 库中的工具来完成。具体来说，可以通过 `sklearn.neighbors.KernelDensity` 类来进行 KDE 的计算[^2]。 对于三维数据集 `(X, Y, Z)`，首先需要准备样本点的数据结构： ```python import numpy as np # 假设这是随机生成的三维数据作为例子 np.random.seed(0) data = np.vstack([np.random.normal(loc=mean, scale=std, size=(100,)) for mean, std in zip((0, 5, 10), (1, 1, 1))]).T ``` 接着定义并训练 KDE 模型： ```python from sklearn.neighbors import KernelDensity kde_model = KernelDensity(kernel='gaussian', bandwidth=0.75).fit(data) ``` 为了可视化三维 KDE 结果，通常会创建一个网格用于评估模型返回的概率密度值： ```python x_range = np.linspace(min(data[:, 0]), max(data[:, 0]), num=50) y_range = np.linspace(min(data[:, 1]), max(data[:, 1]), num=50) z_range = np.linspace(min(data[:, 2]), max(data[:, 2]), num=50) xx, yy, zz = np.meshgrid(x_range, y_range, z_range) positions = np.vstack([xx.ravel(), yy.ravel(), zz.ravel()]) log_density_values = kde_model.score_samples(positions.T) density_values = np.exp(log_density_values) ``` 最后利用 Matplotlib 或 Mayavi 这样的绘图库展示三维空间内的密度分布情况。这里给出基于 Matplotlib 的简单示例： ```python import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() ax = fig.add_subplot(111, projection='3d') scatter = ax.scatter(xx, yy, zz, c=density_values.reshape(-1), cmap='viridis') plt.colorbar(scatter, label="Probability density") plt.show() ``` 上述过程展示了如何构建和应用三维核密度估计，并通过颜色映射的方式直观呈现了不同位置处对应的概率密度大小[^1]。