我有一个一维数据集，我已经使用statsmodels和scipy在Python中计算了核密度估计。

我想生成一组随机数，看看它们是否能给我相同的分布。

到目前为止，我找到的解决方案是这样的：

在0到1之间抽取一个数x，并返回cdf^{-1}(x)，其中cdf^{-1}是’f’的逆累积分布函数。

这个方法的问题是，使用statsmodels我能够找到逆累积分布，但它是以矩阵的形式存在的。因此，将一个数x乘以这个矩阵并不能给我从计算的KDE分布中得到的随机样本。

我如何从给定的KDE函数或分布中生成随机数呢？

编辑：这里有一个代码示例：

def calcKDE(data):    #计算KDE    kde = sm.nonparametric.KDEUnivariate(data)    kde.fit(kernel='gau', bw='silverman')    return kdedef generateData(data, kde):    inverse_cdf = kde.icdf #这是一个不带参数的方法，kde.cdf也是如此    randomSet = np.random.random(1) * inverse_cdf #inverse_cdf被视为矩阵，这里还将添加一个循环以返回1000个随机值    return randomSet

回答：

逆变换抽样方法如下所示：

from scipy.optimize import brentqimport statsmodels.api as smimport numpy as np# 拟合kde = sm.nonparametric.KDEMultivariate()  # ... 你已经做了这个# 抽样u = np.random.random()# 1-d 根查找def func(x):    return kde.cdf([x]) - usample_x = brentq(func, -99999999, 99999999)  # 阅读brentq文档关于这些常数的说明                                              # 常数需要使函数改变符号

我建议以基于类的形式实现这个方法，并自定义一个抽样函数以便更好地使用。

这种方法也非常通用，并且有许多更快的方法使用关于所用核的附加信息（不使用逆变换抽样）。你可以通过谷歌找到一些例子。

另一个评论：

• scikit-learn的核密度估计自带一个sample-function

我对kde工具从最好到最差的排序（我的观点）：

• statsmodels（像依赖变量这样的好功能；基于优化的交叉验证）
• scikit-learn（易于使用；sample-function；基于网格和随机搜索的交叉验证）
• scipy（不太喜欢它，但对于某些用途有基于fft的方法 -> 快）