Python 在scipy.stats中，rv_continuous有一种拟合方法来查找最大似然估计，但rv_discrete没有。为什么？

我想找到一些可能受离散分布控制的数据的最大似然估计。但是在scipy.stats中，只有表示连续分布的类才有适合的函数。代表离散分布的类不存在的原因是什么

简短回答：因为据我所知，没有人为它编写代码，甚至没有人尝试过

更详细的回答：我不知道用一般的最大似然法处理离散模型能走多远，因为它适用于连续分布，它适用于许多但不是所有的分布

大多数离散分布对参数有很强的限制，并且很可能大多数离散分布都需要特定于分布的拟合方法

>>> [(f, getattr(stats, f).shapes) for f in dir(stats) if isinstance(getattr(stats, f), stats.distributions.rv_discrete)]
[('bernoulli', 'pr'), ('binom', 'n, pr'), ('boltzmann', 'lamda, N'), 
 ('dlaplace', 'a'), ('geom', 'pr'), ('hypergeom', 'M, n, N'), 
 ('logser', 'pr'), ('nbinom', 'n, pr'), ('planck', 'lamda'), 
 ('poisson', 'mu'), ('randint', 'min, max'), ('skellam', 'mu1,mu2'), 
 ('zipf', 'a')]

statsmodels提供了一些离散模型，其中参数也可以依赖于一些解释变量。大多数模型，如广义线性模型，需要一个链接函数将参数值限制在有效范围内，例如概率的区间（0，1），或计数模型中的参数大于零

然后，二项式中的“n”参数和其他一些参数被要求是整数，这使得无法使用scipy.optimize中常用的连续极小值

---

一个好的解决方案是有人添加特定于分布的拟合方法，这样我们至少有更简单的方法可用。

我明白了。谢谢你的回答。首先，如果我可以拒绝或不拒绝Zipf作为管理某些数据的候选分布，那么我的问题将向前推进，因此我可能不得不亲自尝试编写。有趣的是，Mathematica在能够找到离散分布的最大似然估计方面给人留下了很好的印象。但我相信M'matica函数往往有很多特殊情况硬编码到其中。Statsmodels有一个通用的最大似然类，在某些情况下可能有用，请看我的答案这里MLE可能适用于Zipf（我从未看过它）