Python 使用scipy、matplotlib将数据拟合到多峰分布

我有一个数据集，我想适合一个已知的概率分布。其目的是在数据生成器中使用已安装的PDF，以便我可以从已知（已安装）的PDF中采样数据。数据将用于模拟目的。目前我只是从正态分布中取样，这与实际数据不一致，因此模拟结果不准确

我首先想使用以下方法：

我的第一个想法是将其拟合为威布尔分布，但数据实际上是多模态的（附图）。所以我想我需要组合多个分布，然后将数据拟合到结果距离，对吗？也许结合高斯分布和威布尔分布

如何将scipy fit（）函数用于混合/多模态分布

此外，我还希望用Python（即scipy/numpy/matplotlib）实现这一点，因为数据生成器是用Python编写的

非常感谢

---

我建议使用内核密度估计（KDE）。它以PDF的混合形式为您提供解决方案

SciPy只有高斯内核（对于特定的直方图，它看起来很好），但是您可以在

statsmodels

或

scikit learn

包中找到其他内核

以下是相关功能，以供参考：

从sklearn.neights导入内核密度
从scipy.stats导入高斯_kde
从statsmodels.nonparametric.kde导入KDEUnivariate
从statsmodels.nonparametric.kernel_密度导入KDEMultivariate

---

Python中KDE的一个很好的资源是。

感谢Elad的回答。我认为KDE能很好地适应我的数据。但是，我如何将拟合的KDE曲线表示为数学方程？例如，多项式拟合曲线可以表示为f（x）=x^2+x+1（示例）。是否可以将通过

stats.gaussian_KDE

获得的KDE表示为公式？所以我可以把它写在纸上，让其他人复制/重复使用。非常感谢。说真的，我想做一些类似的事情。我正在寻找一种方法来估计一些概率分布的参数-我很确定有一个非常简单的解决方案-也许你知道一个？