根据现有数据生成随机数据
Generate random data based on existing data
python有没有办法根据现有数据的分布生成随机数据？
以下是我的数据集的统计参数：
Data
count 209.000000
mean 1.280144
std 0.374602
min 0.880000
25% 1.060000
50% 1.150000
75% 1.400000
max 4.140000
因为它不是正态分布所以不可能用 np.random.normal 来做。有什么想法吗？
谢谢。
编辑：执行 KDE：
from sklearn.neighbors import KernelDensity
# Gaussian KDE
kde = KernelDensity(kernel='gaussian', bandwidth=0.525566).fit(data['y'].to_numpy().reshape(-1, 1))
sns.distplot(kde.sample(2400))
一般来说，真实世界的数据并不完全遵循 "nice" 分布，如正态分布或 Weibull 分布。
与机器学习类似，从数据点分布中抽样通常有两个步骤：
拟合数据模型。
然后，在随机性的帮助下，预测一个新的数据点。
有几种方法可以根据该估计来估计数据和样本的分布：
- 核密度估计。
- 高斯混合模型。
- 直方图。
回归模型。- 其他机器学习模型。
此外，最大似然估计等方法可以将已知分布（如正态分布）拟合到数据中，但估计的分布通常比使用核密度估计或其他机器学习模型。
另请参阅我的部分“Random Numbers from a Distribution of Data Points”。
python有没有办法根据现有数据的分布生成随机数据？
以下是我的数据集的统计参数：
Data
count 209.000000
mean 1.280144
std 0.374602
min 0.880000
25% 1.060000
50% 1.150000
75% 1.400000
max 4.140000
因为它不是正态分布所以不可能用 np.random.normal 来做。有什么想法吗？
谢谢。
编辑：执行 KDE：
from sklearn.neighbors import KernelDensity
# Gaussian KDE
kde = KernelDensity(kernel='gaussian', bandwidth=0.525566).fit(data['y'].to_numpy().reshape(-1, 1))
sns.distplot(kde.sample(2400))
一般来说，真实世界的数据并不完全遵循 "nice" 分布，如正态分布或 Weibull 分布。
与机器学习类似，从数据点分布中抽样通常有两个步骤：
拟合数据模型。
然后，在随机性的帮助下，预测一个新的数据点。
有几种方法可以根据该估计来估计数据和样本的分布：
- 核密度估计。
- 高斯混合模型。
- 直方图。
回归模型。- 其他机器学习模型。
此外，最大似然估计等方法可以将已知分布（如正态分布）拟合到数据中，但估计的分布通常比使用核密度估计或其他机器学习模型。
另请参阅我的部分“Random Numbers from a Distribution of Data Points”。