Python 3.x 生成分类计数正态分布的分类变量列表

我的目标是生成1000行的合成数据（在

pd.DataFrame

object中表示），并填充一组分类变量

假设我有一个dict对象，它包含所有可能存在的分类变量

列表按优先级顺序排序，

'Aaa'

为最高优先级，

'NR'

处于最低优先级

credit_score_types = {
    'Aaa':0,
    'Aa1':1,
    'Aa2':2,
    'Aa3':3,
    'A1':4,
    'A2':5,
    'A3':6,
    'Baa1':7,
    'Baa2':8,
    'Baa3':9,
    'Ba1':10,
    'Ba2':11,
    'Ba3':12,
    'B1':13,
    'B2':14,
    'B3':15,
    'Caa':16,
    'Ca':17,
    'C':18,
    'e, p':19,
    'WR':20,
    'unsolicited':21,
    'NR':22
}

带有中值

值的
dict
对象
键
将代表正态分布的“峰值”

在这种情况下，
“Ba2”
将是正态分布的“峰值”

预期结果：

使用上述
dict
对象中的分类变量，随机分配一个包含1000行的
pd.DataFrame
（或长度为1000的填充
列表）。分类变量的分配将遵循正态分布

“Baa2”
将具有最高计数

如果一个条形图是用每个分类事件的计数绘制的，我会观察到一个正态分布的图形（类似于下面）

正态分布是连续的，而不是分类的。您可以考虑用宽度为1的间隔对正态分布数据进行分组：即，具有11的峰值的“Baa2”实际上会计算区间[10.5，11.5 ]中所有正态分布的值，“Baa1”将计算区间[9.5，10.5 ]…的所有值。Aaa'将计算区间[-0.5,0.5]中的所有值，依此类推

import numpy as np 
import matplotlib.pyplot as plt

credit_score_types = {
    'Aaa':0,
    'Aa1':1,
    'Aa2':2,
    'Aa3':3,
    'A1':4,
    'A2':5,
    'A3':6,
    'Baa1':7,
    'Baa2':8,
    'Baa3':9,
    'Ba1':10,
    'Ba2':11,
    'Ba3':12,
    'B1':13,
    'B2':14,
    'B3':15,
    'Caa':16,
    'Ca':17,
    'C':18,
    'e, p':19,
    'WR':20,
    'unsolicited':21,
    'NR':22
}

# generate normally distributed data, fix random state 
np.random.seed(42)
mu, sigma = credit_score_types['Ba2'], 5
X = np.random.normal(mu, sigma, 1000)

fig, ax = plt.subplots()

counts, bins = np.histogram(X, bins = np.linspace(-0.5, 22.5, 23))

# create a new dictionary of category names and counts
data = dict(zip(credit_score_types.keys(), counts))
ax.bar(data.keys(), data.values())
plt.xticks(rotation = 'vertical')

plt.show()

你能解释一下你是如何估计sigma=5的吗？谢谢：）我任意选择了sigma=5，这是为了保证每个类别都有一些计数。为了得到一个更像直方图的分布，在均值/中位数周围聚集了更多的值，你需要一个较小的sigma-我猜大约2的sigma将近似于你提供的分布。估计西格玛的一个好方法是使用这样一个事实，即大约68%的数据应该是平均值的±1个标准偏差。