1. 问题

运筹模拟的时候，我们通常会给定，某事件服从正态分布/指数分布之类。问题是，我们通常只能观察到样本数据，没有办法观察到其具体服从的分布。所谓服从什么分布，是需要我们从样本数据推测的。

那么问题来了，怎样从数据推测出其所服从的分布(goodness of fit)呢？

2. 分析

市面上有一些专业的统计软件，可以做到从数据到分布的推测。比如Stat::Fit。但289美元的价格可着实不低。所以我们需要另想办法。

常见分布匹配的方法有很多，比如

Bayesian information criterion
Kolmogorov–Smirnov test
Cramér–von Mises criterion
Anderson–Darling test
Shapiro–Wilk test
Chi-squared test

我们以 KS 测试为例。KS 具体理论很多书籍都有详细解释，这里不再重复。有兴趣的朋友可以关注后回复 ks 获取相关资料。

Scipy 的统计模块 stats，可以做 ks 测试。但有个问题是，分布参数需要我们提供。比如指数分布，其概率密度函数为

这里的 $\lambda$ 就需要我们自己提供。好在scipy里面有现成的方法可以从数据估算参数，就是用分布函数的fit方法。

于是，我们可以用 fit() 从数据里面先估出分布的参数，然后再用ks test测试其是否满足分布，就可以得出数据到底服从什么分布了。

举个例子。现有一家水煮鱼饭馆，观察到了顾客到来的时间间隔见 data.txt，老板想知道它服从什么分布。

import scipy.stats as stats
import numpy as np
import matplotlib.pyplot as plt

data = np.loadtxt('data.txt', delimiter=',', encoding='utf8')

dists = {'norm': stats.norm, 'lognorm': stats.lognorm, 'expon': stats.expon}
for d in dists:
    paras = dists[d].fit(data)
    test = stats.kstest(data, dists[d].cdf, paras)
    print('{:1}\tpvalue:{:2}'.format(d, test[-1]))

可以得出结果

norm	pvalue:0.18025230160179895
lognorm	pvalue:0.703843693432498
expon	pvalue:0.705389895669437

可见，这个最可能服从指数分布，其 loc = 0.1076，scale = 5.56。

打印其结果如下

x = np.arange(0, 20, 0.01)
paras = stats.norm.fit(data)
ynorm = stats.norm.pdf(x, paras[0], paras[1])
paras = stats.lognorm.fit(data)
ylognorm = stats.lognorm.pdf(x, paras[0], paras[1], paras[2])
paras = stats.expon.fit(data)
yexpon = stats.expon.pdf(x, paras[0], paras[1])
fig, ax = plt.subplots()
ax.plot(x, ynorm, label='norm')
ax.plot(x, ylognorm, label='lognorm')
ax.plot(x, yexpon, label='expon')
ax.legend()

结果为

3. 扩展

今天我们大致讨论了如何用 scipy 模块判断样本数据所服从的分布。通过上面的例子我们可以看到，在 70% 左右的置信度上，数据既可能服从指数分布，也可能服从对数正态分布。

其实这也正常。理论分布是我们用来解释世界的一种手段，我们的真是世界到底服从什么分布，从样本是无法确定的。就像上面的图形，expon 和 lognorm 长得也真挺像。

另外，所谓一力降十会，咱有了一个 Python，就可以看淡世间所有繁华。就像有了刘亦菲，还要什么杨幂和阿娇？

4. 交流

独学而无友则孤陋寡闻。现有「数据与统计科学」微信交流群，内有数据行业资深从业人员、海外博士、硕士等，欢迎对数据科学、数据分析、机器学习、人工智能有兴趣的朋友加入，一起学习讨论。

大家可以扫描下面二维码，添加荔姐微信邀请加入，暗号：机器学习加群。

5. 延伸阅读

6. 参考文献

W. McKinney, Python for Data Analysis. Beijing: O’Reilly, 2017.
J. VanderPlas, Python Data Science Handbook. Beijing: O’Reilly, 2016.

本文使用 mdnice 排版

如何通过样本数据推断其分布