我试图根据我拥有的一些数据创建一个分布,然后从该分布中随机抽取。这是我所拥有的:
from scipy import stats
import numpy
def getDistribution(data):
kernel = stats.gaussian_kde(data)
class rv(stats.rv_continuous):
def _cdf(self, x):
return kernel.integrate_box_1d(-numpy.Inf, x)
return rv()
if __name__ == "__main__":
# pretend this is real data
data = numpy.concatenate((numpy.random.normal(2,5,100), numpy.random.normal(25,5,100)))
d = getDistribution(data)
print d.rvs(size=100) # this usually fails
我认为这正在做我想做的事情,但是当我尝试这样做时,我经常收到错误(见下文)d.rvs()
, and d.rvs(100)
从来不工作。难道我做错了什么?有没有更简单或更好的方法来做到这一点?如果这是 scipy 中的错误,有什么方法可以解决它吗?
最后,是否有更多关于创建自定义发行版的文档?我发现的最好的文档是 scipy.stats.rv_continuous 文档,它非常简洁,并且不包含任何有用的示例。
回溯:
回溯(最近一次调用最后一次):文件“testDistributions.py”,行
19、在
打印 d.rvs(size=100) 文件“/usr/local/lib/python2.6/dist-packages/scipy-0.10.0-py2.6-linux-x86_64.egg/scipy/stats/distributions.py” ,
696路,房车
vals = self._rvs(*args) 文件“/usr/local/lib/python2.6/dist-packages/scipy-0.10.0-py2.6-linux-x86_64.egg/scipy/stats/distributions.py” ,
第 1193 行,在 _rvs 中
Y = self._ppf(U,*args) 文件“/usr/local/lib/python2.6/dist-packages/scipy-0.10.0-py2.6-linux-x86_64.egg/scipy/stats/distributions. py",
第 1212 行,在 _ppf 中
返回 self.vecfunc(q,*args) 文件“/usr/local/lib/python2.6/dist-packages/numpy-1.6.1-py2.6-linux-x86_64.egg/numpy/lib/function_base.py “,
1862 行,在calltheout = self.thefunc(*newargs) 文件“/usr/local/lib/python2.6/dist-packages/scipy-0.10.0-py2.6-linux-x86_64.egg/scipy/stats/distributions.py” ,
第 1158 行,在 _ppf_single_call 中
返回optimize.brentq(self._ppf_to_solve, self.xa, self.xb, args=(q,)+args, xtol=self.xtol) 文件
“/usr/local/lib/python2.6/dist-packages/scipy-0.10.0-py2.6-linux-x86_64.egg/scipy/optimize/zeros.py”,
366 号线,布伦特克
r = _zeros._brentq(f,a,b,xtol,maxiter,args,full_output,disp) ValueError: f(a) 和 f(b) 必须具有不同的符号
Edit
对于那些好奇的人,请按照下面答案中的建议,以下是有效的代码:
from scipy import stats
import numpy
def getDistribution(data):
kernel = stats.gaussian_kde(data)
class rv(stats.rv_continuous):
def _rvs(self, *x, **y):
# don't ask me why it's using self._size
# nor why I have to cast to int
return kernel.resample(int(self._size))
def _cdf(self, x):
return kernel.integrate_box_1d(-numpy.Inf, x)
def _pdf(self, x):
return kernel.evaluate(x)
return rv(name='kdedist', xa=-200, xb=200)