matplotlib核密度估计依然不够平滑，并且对于kde相关的evaluate函数的用法不是非常明晰

问题遇到的现象和发生背景

根据《python数据科学手册4.7》kde核密度估计的相关代码，尝试利用核密度估计获得更加平滑的作图，但是对比成果，似乎与不适用核密度估计差异不大，并且与书中给出的效果示例有非常明显的差异。

问题相关代码，请勿粘贴截图

这是使用kde的代码

#利用KDE抹掉空间中离散的点，可以使得最后的图像更加平滑
from matplotlib import  pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde
#请注意生成网格和创建多维矩阵的区别
mean=[0,0]
cov=([1,1],[1,2])
x,y=np.random.multivariate_normal(mean,cov,10000).T

data=np.vstack([x,y])
#stack合并指令，vstack纵向合并数组
kde=gaussian_kde(data)


xgrid=np.linspace(-3.5,3.5,40)
ygrid=np.linspace(-6,6,40)
Xgrid,Ygrid=np.meshgrid(xgrid,ygrid)
Z=kde.evaluate(np.vstack([Xgrid.ravel(),Ygrid.ravel()]))

plt.imshow(Z.reshape(Xgrid.shape),origin='lower',aspect='auto',extent=[-3.5,3.5,-6,6],cmap='Blues')
cb=plt.colorbar()
cb.set_label("density")
plt.show()

这是不使用kde的代码

import numpy as np
from matplotlib import pyplot as plt
#构建两个高斯分布
mean=[0,0]
cov=[[1,1],[1,2]]
x,y=np.random.multivariate_normal(mean,cov,10000).T
#与一维类似，但是要写成均值矩阵和协方差矩阵
#先构建多变量的均值矩阵和协方差矩阵，再同时生成二维矩阵
plt.hist2d(x,y,bins=30,cmap='Blues')
cb=plt.colorbar()
cb.set_label('counts in bin')
#给colorbal添加标签
plt.show()