要边际化一个曲面图并使用核密度估计（KDE），可以使用Python中的Matplotlib和Seaborn库。下面是一个示例代码，演示了如何生成一个包含KDE边际的曲面图：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
x = np.random.randn(500)
y = np.random.randn(500)

# 创建二维密度图
sns.kdeplot(x, y, cmap="viridis", shade=True, shade_lowest=False)

# 添加边际分布
sns.histplot(x, kde=True, color="blue", bins=20, label="X")
sns.histplot(y, kde=True, color="red", bins=20, label="Y")

# 设置图形标题和标签
plt.title("2D KDE with Marginal Distributions")
plt.xlabel("X")
plt.ylabel("Y")

# 显示图形
plt.legend()
plt.show()

这段代码首先生成了两个随机变量x和y，然后使用sns.kdeplot()创建了一个二维密度图，并使用cmap="viridis"设置颜色映射，shade=True设置阴影，shade_lowest=False防止最低点被阴影覆盖。

接下来，使用sns.histplot()添加了x和y的边际分布，并使用kde=True参数进行核密度估计。color="blue"和color="red"分别设置了x和y的边际分布颜色，bins=20设置了直方图的箱数。

最后，使用plt.title()、plt.xlabel()和plt.ylabel()设置图形的标题和标签，plt.legend()显示图例，plt.show()显示图形。

运行这段代码将生成一个带有KDE边际分布的二维密度图。