我目前正在尝试对附加的颤动数据进行一些插值。在使用scipy.interpolate.griddata（）函数将线性样条曲线拟合到数据之前，我先在此网格上执行移动平均以给出颤动图的非常平滑的版本。但是，对3D数据集执行此操作会导致RAM中保留100GB的巨大阵列。理想情况下，我会使用scipy.interpolate.LinearNDInterpolator（）保持以前的功能，但是在我看来，后期模糊步骤不能以任何明显或计算快速的方式与该功能结合。
因此，我一直希望使用内核密度估计器，我可以非常轻松地直接控制平滑度。而且，每个向量分量的表面图在其分布中看起来都是相当高斯的。但是，我见过的python包中的所有KDE实现都只接收原始数据，而不接收已经看起来像具有高斯分布的数据。
有两个问题：
这是我在可能之前使用样条线但不需要生成大数组的情况。
和/或
是否有可能将KDE适应看起来分散的数据而无需对所述数据进行装箱，即给它散乱的点。
最佳
克雷格
