核密度估計（Kernel Density Estimation，KDE）是對概率密度函數的估計方法之一，它可以用來估計數據分布的密度。在Python中，我們可以使用Scipy庫中的kde模塊來進行核密度估計。

使用Scipy的kde模塊進行核密度估計非常簡單，首先需要導入相應的模塊：

from scipy.stats import kde
import numpy as np

然后，我們需要定義一組隨機樣本數據并將其導入到kde模塊中：

data = np.random.normal(size=1000)
kde_data = kde.gaussian_kde(data)

這里我們使用了一個大小為1000，隨機從正態分布中取出的樣本數據。將這組數據導入到kde模塊中，并使用高斯核函數（Gaussian Kernel Function）進行核密度估計。

接下來，我們可以使用matplotlib庫對估計出的核密度函數進行可視化：

import matplotlib.pyplot as plt
x = np.linspace(-5, 5, 100)
plt.plot(x, kde_data(x))
plt.show()

上面的代碼中，我們首先定義了一個x軸上的點集，在-5到5之間均勻地取100個點，然后使用plot函數繪制出估計出的核密度函數，最后使用show函數展示出圖像。

通過以上的步驟，我們就可以用Python對數據的概率密度函數進行估計。在實踐中，我們也會經常使用離散化數據進行核密度估計，此時只需要將數據改成離散的點集即可。