Python 连续分布的scipy.stats属性“熵”不'；我不能手动工作

scipy.stats

中的每个连续分布都带有一个计算其微分熵的属性：

.entropy

。与正态分布（

norm

）和其他具有熵闭合形式解的分布不同，其他分布必须依赖于数值积分

试图找出

.entropy

属性在这些情况下调用的是哪个函数，我在

scipy.stats.\u distn\u infrastructure.py

中找到了一个名为

\u entropy

的函数，它使用

integrate.quad（pdf）

（数值积分）进行调用

但是，当我尝试比较这两种方法时（属性

.entropy

与函数

\u entropy

的数值积分），函数给出了一个错误：

AttributeError:'rv\u freezed'对象没有属性'\u pdf'

为什么分布的属性

.entropy

计算得很好，但函数

\u entropy

给出了一个错误

import numpy as np
from scipy import integrate 
from scipy.stats import norm, johnsonsu
from scipy.special import entr

def _entropy(self, *args): #from _distn_infrastructure.py
    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)
    _a, _b = -np.inf, np.inf   
    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]

使用属性可以很好地工作：

print(johnsonsu(a=2.55,b=2.55).entropy())

返回

0.950370309122894

但该功能不：

print(_entropy(johnsonsu(a=2.55,b=2.55)))

返回错误

AttributeError:“rv\u freezed”对象没有属性“\u pdf”

，即使

johnsonsu

：

---

属性

.entropy

调用哪个函数，然后在

johnsonsu

的情况下？

如果使用的是冻结分布，则需要

johnsonsu（a=2.55，b=2.55）。entropy（）

，否则需要

johnsonsu.entropy（a=2.55，b=2.55）

您的问题的原因部分基本上是在_entropy中引入下划线意味着“实现细节，不要直接调用”。一个较长的答案是，冻结的分发包封装了一个分发实例（self.dist），并将对_pdf、_pmf等的调用委托给它

---

编辑：执行johnsonsu（a=2.55，b=2.55）创建一个冻结的分发，rv\u冻结。除非您想多次重用该实例，否则不要这样做：只需将a、b形状参数作为熵函数的参数。

那么我如何才能让手动

\u熵

函数工作呢？这真的是属性

.entropy

所调用的吗？我不知道我是否在使用冻结分发，因为我不知道这些是什么。我想我所做的只是估计Johnson Su。您编写的两个代码示例对冻结和非冻结之间的区别没有帮助，因为它们都工作得很好

def _pdf(self, x, a, b):
    # johnsonsu.pdf(x, a, b) = b / sqrt(x**2 + 1) *
    #                          phi(a + b * log(x + sqrt(x**2 + 1)))
    x2 = x*x
    trm = _norm_pdf(a + b * np.log(x + np.sqrt(x2+1)))
    return b*1.0/np.sqrt(x2+1.0)*trm