本文详解如何利用 fastkde 库对一维数据集估计核密度，并在任意指定位置（包括原始数据点或新坐标）高效获取密度值，重点介绍 pdf_at_points 的正确用法与实践要点。
本文详解如何利用 fastkde 库对一维数据集估计核密度，并在任意指定位置（包括原始数据点或新坐标）高效获取密度值，重点介绍 `pdf_at_points` 的正确用法与实践要点。
fastkde 是一个专为大规模数据设计的快速核密度估计（KDE）Python 包，其核心优势在于采用 FFT 加速与自适应带宽策略，在保持高精度的同时显著提升计算效率。当处理单变量（一维）数据时，用户常误以为需调用 fastkde.pdf() 并传入单个数组——但该函数默认用于多维联合密度估计（如二维 x, y），并返回支持 .plot() 的 PDF 对象；而对给定坐标点批量预测密度值，必须使用专用接口 fastkde.pdf_at_points()。
以下为标准用法示例：
import numpy as np
import fastkde
# 生成 10 万点一维样本
N = int(1e5)
z = 50 * np.random.normal(size=N) + 0.1
# 定义待评估密度的查询点（可为任意数值列表，不需属于 z）
w = list(range(10, 0, -2)) # 即 [10, 8, 6, 4, 2]
# 关键：使用 pdf_at_points 进行点密度预测
density_values = fastkde.pdf_at_points(z, list_of_points=w)
print("查询点 w:", w)
print("对应密度值:", np.round(density_values, 6))
# 输出示例：[0.007932 0.007929 0.007921 0.007907 0.007885]
✅ 关键说明与注意事项：
- pdf_at_points(data, list_of_points) 中，data 是训练样本（一维 ndarray 或 list），list_of_points 是目标评估点的一维序列（list, tuple, 或 ndarray），二者均为标量集合；
- 返回值为 np.ndarray，长度等于 list_of_points 长度，每个元素即对应点处的 PDF 估计值；
- 该函数内部自动执行带宽选择、网格化与插值，无需手动配置 nbin 或 lower/upper 边界（但高级用户可通过 **kwargs 传递 nbin=256, lower=-100, upper=100 等参数微调）；
- 若需对原始样本 z 中每个点自身求密度（即 z[i] 处的 f(z[i])），直接传入 z 即可：fastkde.pdf_at_points(z, z)；
- 注意：pdf_at_points 不返回绘图对象，如需可视化，可结合 matplotlib 绘制散点图或直方图叠加密度曲线。
? 性能提示：
对于超大规模 z（如 >1e6）和大量查询点，pdf_at_points 仍保持 O(N log N) 复杂度，远优于传统 scipy.stats.gaussian_kde 的 O(NM)（M 为查询点数）。若仅需少量点（如
综上，fastkde.pdf_at_points() 是单变量场景下精准、简洁、高性能的密度点预测首选接口——牢记其输入结构与语义，即可无缝集成至数据分析与建模流程中。
