使用scipy，matplotlib将数据拟合到多模态分布

Question

我有一个数据集，我想要适应已知的概率分布。目的是在数据生成器中使用拟合的PDF - 这样我就可以从已知（拟合的）PDF中采样数据。数据将用于模拟目的。目前我只是从正态分布中采样，这与实际数据不一致，因此仿真结果不准确。

我首先要使用以下方法： Fitting empirical distribution to theoretical ones with Scipy (Python)?

我的第一个想法是将它与weibull分布相匹配，但数据实际上是多模式的（附图）。所以我想我需要组合多个分布，然后将数据拟合到生成的dist中，是吗？也许结合高斯和威布尔分布？

如何将scipy fit（）函数与混合/多模式分布一起使用？

另外我想在Python中做这个（即scipy / numpy / matplotlib），因为数据生成器是用Python编写的。

非常感谢！

Answer 1

我建议使用核密度估算（KDE）。它为您提供了PDF的混合解决方案。

SciPy只有高斯内核（看起来很适合你的特定直方图），但你可以在statsmodels或scikit-learn包中找到其他内核。

供参考，这些是相关功能：

from sklearn.neighbors import KernelDensity
from scipy.stats import gaussian_kde
from statsmodels.nonparametric.kde import KDEUnivariate
from statsmodels.nonparametric.kernel_density import KDEMultivariate

Python中KDE的一个很好的资源是here。