我有两个连续变量，并希望计算它们之间的互信息作为相似性的度量。
我读过一些帖子，建议使用scikit-learn中的mutual_info_score，但这对连续变量有效吗？一个SO答案建议使用np.histogram2d()将数据转换为概率，并将列联表传递给mutual_info_score。

from sklearn.metrics import mutual_info_score

def calc_MI(x, y, bins):
    c_xy = np.histogram2d(x, y, bins)[0]
    mi = mutual_info_score(None, None, contingency=c_xy)
    return mi

x = [1,0,1,1,2,2,2,2,3,6,5,6,8,7,8,9]
y = [3,0,4,4,4,5,4,6,7,7,8,6,8,7,9,9]

mi = calc_MI(x,y,4)

这是一个有效的方法吗？我问，因为我也读到，当变量是连续的，那么在离散数据的公式中的总和成为积分。但这种方法是在scikit-learn或任何其他包实现？
编辑：
更真实的数据集

L = np.linalg.cholesky( [[1.0, 0.60], [0.60, 1.0]])

uncorrelated = np.random.standard_normal((2, 300))
correlated = np.dot(L, uncorrelated)

A = correlated[0]
B = correlated[1]

x = (A - np.mean(A)) / np.std(A)
y = (B - np.mean(B)) / np.std(B)

我可以在这些数据上使用calc_MI(x,y,bins=50)吗？