scipy.stats.rv_continuous¶

class scipy.stats.rv_continuous(momtype=1, a=None, b=None, xtol=1e-14, badvalue=None, name=None, longname=None, shapes=None, extradoc=None, seed=None)[源代码]¶

用于子类化的通用连续随机变量类。

rv_continuous 是构造连续随机变量的特定分布类和实例的基类。它不能直接用作分发。

参数

momtype整型，可选: 要使用的常规力矩计算类型：pdf为0，ppf为1(默认值)。
a浮动，可选: 分布的支持下限，默认为负无穷大。
b浮动，可选: 分布支持的上界，默认为正无穷大。
xtol浮动，可选: 常规PPF的定点计算公差。
badvalue浮动，可选: 结果数组中的值，指示违反某些参数限制的值，默认值为np.nan。
name字符串，可选: 实例的名称。此字符串用于构造分发的默认示例。
longname字符串，可选: 当子类没有自己的docstring时，此字符串用作返回的docstring的第一行的一部分。注： longname 存在是为了向后兼容，不要用于新的子类。
shapes字符串，可选: 分布的形状。例如 "m, n" 用于将两个整数作为其所有方法的两个形状参数的分布。如果未提供，将从私有方法的签名中推断形状参数， _pdf 和 _cdf 实例的。
extradoc字符串，可选，已弃用: 当子类没有自己的docstring时，此字符串用作返回的docstring的最后部分。注： extradoc 存在是为了向后兼容，不要用于新的子类。
seed ：{无，整型， numpy.random.Generator ，{无，整型，: numpy.random.RandomState }，可选

如果 seed 为无(或 np.random )、 numpy.random.RandomState 使用的是Singleton。如果 seed 是一个整型、一个新的 RandomState 实例，其种子设定为 seed 。如果 seed 已经是一个 Generator 或 RandomState 实例，则使用该实例。

注意事项

分发类的实例的公共方法(例如， pdf ， cdf )检查它们的参数，并将有效参数传递给私有的计算方法 (_pdf ， _cdf )。为 pdf(x) ， x 如果它在发行版的支持范围内，则有效。形状参数是否有效由 _argcheck 方法(默认情况下检查其参数是否严格为正)。

Subclassing

新的随机变量可以通过将 rv_continuous class and re-defining at least the _ pdf``或 ``_cdf 方法(归一化到位置0和刻度1)。

如果RV的正参数检查不正确，则还需要重新定义 _argcheck 方法。

对于大多数scipy.stats分布，支撑间隔不取决于形状参数。 x 处于支持区间相当于 self.a <= x <= self.b 。如果支持的任何一个端点确实依赖于形状参数，则i)分布必须实现 _get_support 方法；以及ii)必须从分发的调用中省略这些依赖终结点。 rv_continuous 初始化器。

正确，但其余方法存在可能较慢的默认值，但为了速度和/或准确性，您可以覆盖：

_logpdf, _cdf, _logcdf, _ppf, _rvs, _isf, _sf, _logsf

默认方法 _rvs 依赖于CDF的倒数， _ppf ，应用于均匀随机变量。为了高效地生成随机变量，默认的 _ppf 需要覆盖(例如，如果反向CDF可以以显式形式表示)，或者需要在自定义中实现采样方法 _rvs 方法。

如果可能，您应该重写 _isf ， _sf 或 _logsf 。主要原因是为了提高数值精度：例如，生存函数 _sf 计算为 1 - _cdf 这可能会导致精度损失，如果 _cdf(x) 就快到一个了。

可由子类覆盖的方法 ：：

_rvs
_pdf
_cdf
_sf
_ppf
_isf
_stats
_munp
_entropy
_argcheck
_get_support

还有其他(内部和私有)泛型方法可用于交叉检查和调试，但在直接调用时可能在所有情况下都有效。

关于……的注解 shapes ：子类不需要显式指定它们。在这种情况下， shapes 将从重写方法的签名中自动推导出 (pdf ， cdf 等)。如果出于某种原因，您希望避免依赖内省，则可以指定 shapes 显式作为实例构造函数的参数。

冻结的分布

通常，您必须为每次调用分布方法提供形状参数(以及可选的位置和比例参数)。

或者，可以调用该对象(作为函数)来固定返回“冻结的”连续RV对象的形状、位置和缩放参数：

RV=一般(<Shape(S)>，loc=0，scale=1): rv_frozen 对象使用相同的方法，但保持给定的形状、位置和比例固定

Statistics

默认情况下，使用数值积分计算统计信息。对于速度，您可以使用以下命令重新定义 _stats ：

获取形状参数并返回µ、MU2、G1、G2

如果您不能计算其中的一个，则将其作为None返回

也可以使用关键字参数定义 moments ，它是由“m”、“v”、“s”和/或“k”组成的字符串。应该只计算出现在字符串中的组件，并以“m”、“v”、“s”或“k”的顺序返回，缺少的值返回为None。

或者，您可以重写 _munp ，这需要 n 和形状参数，并返回分布的第n次非中心矩。

示例

要创建新的高斯分布，我们将执行以下操作：

>>> from scipy.stats import rv_continuous
>>> class gaussian_gen(rv_continuous):
...     "Gaussian distribution"
...     def _pdf(self, x):
...         return np.exp(-x**2 / 2.) / np.sqrt(2.0 * np.pi)
>>> gaussian = gaussian_gen(name='gaussian')

scipy.stats 分发是实例，所以在这里我们子类 rv_continuous 并创建一个实例。这样，我们现在就有了一个功能齐全的发行版，所有相关的方法都是由框架自动生成的。

请注意，上面我们定义了一个标准正态分布，均值和单位方差均为零。分布的平移和缩放可以通过使用 loc 和 scale 参数： gaussian.pdf(x, loc, scale) 本质上是计算 y = (x - loc) / scale 和 gaussian._pdf(y) / scale 。

属性

random_state: 获取或设置用于生成随机变量的生成器对象。

方法：

`rvs` \(args, *kwds)	给定类型的随机变量。
`pdf` \(X，args, *kwds)	给定房车x处的概率密度函数。
`logpdf` \(X，args, *kwds)	给定RV的x处的概率密度函数的对数。
`cdf` \(X，args, *kwds)	给定房车的累积分布函数。
`logcdf` \(X，args, *kwds)	给定房车x处的累积分布函数的对数。
`sf` \(X，args, *kwds)	生存函数(1- cdf )在给定RV的x处。
`logsf` \(X，args, *kwds)	给定房车的生存函数的日志。
`ppf` \(q，args, *kwds)	百分点数函数(与 cdf )在给定房车的Q。
`isf` \(q，args, *kwds)	逆生存函数(逆 sf )在给定房车的Q。
`moment` \(n，args, *kwds)	n阶非中心分布矩。
`stats` \(args, *kwds)	给定房车的一些统计数据。
`entropy` \(args, *kwds)	房车的微分熵。
`expect` \([func, args, loc, scale, lb, ub, ...] )	通过数值积分计算函数相对于分布的期望值。
`median` \(args, *kwds)	分布的中位数。
`mean` \(args, *kwds)	分布的平均值。
`std` \(args, *kwds)	分布的标准差。
`var` \(args, *kwds)	分布的方差。
`interval` \(字母，args, *kwds)	中位数附近面积相等的置信区间。
`__call__` \(args, *kwds)	冻结给定参数的分布。
`fit` \(数据，args, *kwds)	从数据中返回形状(如果适用)、位置和比例参数的估计值。
`fit_loc_scale` \(数据，*参数)	使用一阶矩和二阶矩从数据中估计锁定和缩放参数。
`nnlf` \(θ，x)	负对数似然函数。
`support` \(args, *kwargs)	对发行版的支持。

统计函数 (scipy.stats )

scipy.stats.rv_continuous.rvs