Python 使用scipy.stats中的integrate.quad计算微分熵？

scipy.stats.entropy

计算连续随机变量的微分熵。究竟是用哪种估计方法，哪种公式计算微分熵？（即

norm

分布与

beta

分布的差分熵）

下面是它的github代码。微分熵是p.d.f.乘以对数p.d.f.的负整数和，但我看不到这一点，也看不到写的对数。它是否会出现在对

integrate.quad

的调用中

def _entropy(self, *args):
    def integ(x):
        val = self._pdf(x, *args)
        return entr(val)

    # upper limit is often inf, so suppress warnings when integrating
    _a, _b = self._get_support(*args)
    with np.errstate(over='ignore'):
        h = integrate.quad(integ, _a, _b)[0]

    if not np.isnan(h):
        return h
    else:
        # try with different limits if integration problems
        low, upp = self.ppf([1e-10, 1. - 1e-10], *args)
        if np.isinf(_b):
            upper = upp
        else:
            upper = _b
        if np.isinf(_a):
            lower = low
        else:
            lower = _a
        return integrate.quad(integ, lower, upper)[0]

---

Source（第2501-2524行）：

这里的实际问题是如何在内存中存储连续变量。您可以使用一些离散化技术并计算离散随机变量的熵

---

您还可以检查，它基本上将分布视为张量，并为

分布
类提供了一种方法
熵（）
。
除非使用近似值，否则您必须以某种参数化方式存储连续随机变量。在这种情况下，您通常使用分布对象；对于已知的分布，存在用参数表示的微分熵公式

因此，Scipy提供了一个for
rv_continuous
，在可能的情况下计算微分熵：

In [5]: import scipy.stats as st                                                                                                                             

In [6]: rv = st.beta(0.5, 0.5)                                                                                                                               

In [7]: rv.entropy()                                                                                                                                         
Out[7]: array(-0.24156448)

rv_continuous.entropy仅返回True或False，而不是差分熵的值。这是什么意思？什么？这不是它应该做的，明白吗。你确定调用正确吗？即使链接中的示例也显示了一个布尔返回输出：>>>drv=rv_离散（值=（（0,1），（0.5,0.5））>>>np.allclose（drv.entropy（），np.log（2.0））是的，当然。由于调用了
np.allclose
。这表明，
entropy
的结果大约等于
log（2）
，这是一个无理数。那么你说的是rv_continuous。通常情况下，熵应该为输出返回实数，而不是布尔数？请给出一个没有np.allclose的例子，说明你的意思是使用scipy.stats.rv_离散化连续随机变量数组吗？对于T型向量/时间序列，这是如何实现的？文档仅显示统一二进制变量的示例