给定一些实值经验数据（时间序列），我可以将其转换为直方图，以获得数据的（非参数）经验分布，但是直方图是块状和锯齿状的。
相反，我想从 scipy 或
scipy.stats参数分布，以便我可以人为地生成与真实数据的经验分布紧密贴合的参数分布。
例如，如果经验数据是经验 AAPL 股票收益的月度收益，我知道参数 Johnson-SU 分布 类似于并且可以模仿股票收益分布，因为它具有可定制的偏差。然而，
scipyscipyQ : “我想从
或scipy分布函数库中识别出最拟合的参数分布，这样我就可以人为地生成一个与我的真实经验分布紧密贴合的参数分布。数据。”scipy.stats
上面来自@SeverinPappadeux的链接可能会有所帮助（K-S测试很好），但它效果很好，但是对于一对已经完整的分布的分析比较，而不是其实际建设性生成的过程。
因此，让我们消除目标的歧义：
- 任务的重点是使用
scipyscipy.stats如果前者是您的愿望，
那么
我们遇到了矛盾，寻求一个可参数化（脚本化）的分布式生成器引擎，它将（在某种意义上的“最佳”）匹配一个基本上不可编写脚本的经验分布好吧，因为一个人
可能仍然希望这样做然后
你确实会陷入某种痛苦的ParameterSPACE搜索策略（使用现成的或定制的scipy
/
scipy.stats硬编码生成器）将尝试找到这些生成器硬编码参数的 ParameterSPACE 向量的“最佳”匹配值。这可能会在某种程度上教会您关于维度增长的罪恶（硬编码生成器的参数越多，参数空间搜索空间就越大，陷入
O( n * i^N * f^M * c^P * b^Q) 双重麻烦，具有 N-整数，
M-浮点型、
P-基数和
Q-各自硬编码生成器的布尔参数，这对您的时间预算来说非常不利，不是吗？）。
如果是后者，那么
我们可以通过正确定义什么是“匹配”
“原始”的“健康”来专注于更富有成效的方式。
“原始” 中，我们开始.
可能会添加更多的复杂性，使用使用叠加、退出、频率特定技巧、异常值附加组件的相同技巧（如果稍后测试某些数据流响应策略等的稳健性的属性/限制）等）无论如何，针对后一个目标的所有这些方法都有一个可爱的特性，即不会疯狂地进行高维参数空间的任何大量搜索，但通常与
O( n )
缩放一样好——这很酷，不是吗？ ？所以，只有自己的
想象力才是极限:o)