如何用Scipy类正确定义多元对数正态分布PDF并实现采样？

你的核心问题在于：仅重定义_logpdf并不会改变原multivar_normal_gen的采样逻辑——它的_rvs方法依然生成多元正态分布的样本（包含负值），和你修改的PDF没有关联。要得到符合要求的正域样本，必须同时修改采样逻辑，或采用更直接的转换方式。

方法一：直接利用正态分布与对数正态的转换（推荐） #

对数正态分布的本质是正态分布变量的指数变换，无需自定义类，直接用Scipy现有工具即可实现：

import numpy as np
from scipy.stats import multivariate_normal

# 定义对应潜在正态分布的参数
mu = np.array([1, 2])  # 正态分布的均值向量
cov = np.array([[1, 0.5], [0.5, 2]])  # 正态分布的协方差矩阵

# 1. 采样多元正态样本
normal_samples = multivariate_normal.rvs(mean=mu, cov=cov, size=1000, random_state=42)
# 2. 指数转换为对数正态样本（确保所有值>0）
lognormal_samples = np.exp(normal_samples)

# 验证样本范围
print(np.all(lognormal_samples > 0))  # 输出 True

方法二：自定义MultivariateLognormal类（继承multivar_normal_gen） #

如果一定要通过继承multivar_normal_gen实现，必须重定义_rvs方法（采样逻辑），同时配套重定义_pdf和_logpdf以保证分布一致性：

import numpy as np
from scipy.stats import multivar_normal_gen

class MultivariateLognormalGen(multivar_normal_gen):
    def _rvs(self, mean=None, cov=None, size=1, random_state=None):
        # 先采样潜在正态分布，再指数转换
        normal_samples = super()._rvs(mean=mean, cov=cov, size=size, random_state=random_state)
        return np.exp(normal_samples)
    
    def _logpdf(self, x, mean=None, cov=None):
        # 对数正态的对数PDF公式：-sum(log(x)) + 潜在正态分布在log(x)处的logpdf
        if np.any(x <= 0, axis=-1):
            return -np.inf
        log_x = np.log(x)
        normal_logpdf = super()._logpdf(log_x, mean=mean, cov=cov)
        return normal_logpdf - np.sum(np.log(x), axis=-1)
    
    def _pdf(self, x, mean=None, cov=None):
        # 基于logpdf计算pdf
        return np.exp(self._logpdf(x, mean=mean, cov=cov))

# 使用自定义分布
mu = np.array([1, 2])
cov = np.array([[1, 0.5], [0.5, 2]])
mln_dist = MultivariateLognormalGen()(mean=mu, cov=cov)
samples = mln_dist.rvs(size=1000, random_state=42)

# 验证样本范围
print(np.all(samples > 0))  # 输出 True

关键说明 #

• Scipy的分布类中，_rvs（采样）、_pdf（概率密度）、_logpdf（对数概率密度）是独立实现的，仅修改其中一个会导致逻辑不一致。
• 对数正态分布的参数对应的是潜在正态分布的均值和协方差，而非对数正态本身的均值/协方差，注意参数含义不要混淆。

内容的提问来源于stack exchange，提问作者Antonio Alvarez