python - scipy.stats.gaussian_kde の代わりに statsmodels.nonparametric.kde を使用する

Question

scipy.stats.gaussian_kdestatsmodels.nonparametric.kdeの代わりにモジュールを使用すると、速度が大幅に向上する可能性があることを読みました。

現在計算している単純なコード ブロック (4 行のコード) があり、実際に速度が向上するかどうかを確認するscipy.stats.gaussian_kdeために、それらを同等のものに置き換えたいと考えています。statsmodels

これは MWE です。

import numpy as np
from scipy import stats

# Generate random two-dimensional data.
def measure(n):
    m1 = np.random.normal(size=n)
    m2 = np.random.normal(scale=0.5, size=n)
    return m1+m2, m1-m2
m1, m2 = measure(20000)

# Define data limits.
xmin, xmax = m1.min(), m1.max()
ymin, ymax = m2.min(), m2.max()

# Format data correctly.
values = np.vstack([m1, m2])

# Define a certain point value.
x1, y1 = 0.5, 0.5

##############
# Replace with calls to statsmodels.nonparametric.kde from here on.

# 1- Perform a kernel density estimate on the data.
kernel = stats.gaussian_kde(values)

# 2- Get kernel value for the point.
iso = kernel((x1,y1))

# 3- Take a random sample from KDE distribution.
sample = kernel.resample(size=1000)

# 4- Filter the sample to keep only values for which
#    the kernel evaluates to less than what it does in the
#    point (x1,y1). This is the most important step to be replaced.
insample = kernel(sample) < iso

ご覧のとおり、置き換える必要があるのはわずか 4 行のコードです。残念ながら、 のドキュメントstatsmodels.nonparametric.kdeはやや貧弱で、そのような置換を行う方法がわかりません。

最後の行は、ほとんどの計算時間がここで費やされるため、最も重要な行です (ここで説明されているように、カーネル推定のサンプリングを高速化します)。