寻求Scipy.stats中gamma.fit方法的Ruby等效实现方案

我明白你想要实现的功能——拟合Gamma分布到浮点数组，然后用拟合后的分布计算新数据的CDF并转换成百分位数评分，这和你Python里用SciPy的stats.gamma.fit+cdf的逻辑完全对应。SciRuby的Distribution库确实没有直接提供fit方法，但我们有两种可靠的解决方案：

方法1：使用Statsample库（推荐） #

Statsample是Ruby生态中功能完善的统计工具库，已经封装了分布拟合的逻辑，用起来非常简洁。

步骤1：安装依赖 #

先安装所需的gem：

gem install statsample
gem install distribution

步骤2：实现拟合与CDF计算 #

require 'statsample'
require 'distribution'

# 替换成你的原始浮点数据数组
data = [1.2, 3.4, 5.6, 7.8, 9.0, 2.3, 4.5, 6.7, 8.9]

# 拟合Gamma分布，获取形状参数alpha和尺度参数beta（对应Python中的a和scale）
gamma_dist = Statsample::Distribution::Gamma.fit(data)
alpha = gamma_dist.shape
beta = gamma_dist.scale

# 计算新数据的百分位数评分
new_data = [3.0, 6.0, 9.0]
scores = new_data.map do |x|
  # 调用Distribution库的Gamma CDF方法
  cdf_value = Distribution::Gamma.cdf(x, alpha, beta)
  # 转换为你需要的评分格式
  100 - 100 * cdf_value
end

puts scores.inspect

方法2：手动实现Gamma分布的MLE拟合（轻量级方案） #

如果不想引入额外的Statsample依赖，我们可以手动基于最大似然估计（MLE）来拟合Gamma参数，用牛顿迭代法求解形状参数：

require 'distribution'

# 手动拟合Gamma分布的参数（alpha=形状，beta=尺度）
def fit_gamma(data)
  sample_size = data.size.to_f
  sample_mean = data.sum / sample_size
  log_sample_mean = Math.log(sample_mean)
  avg_log_data = data.map { |x| Math.log(x) }.sum / sample_size

  # 用牛顿迭代法求解形状参数alpha
  alpha = 1.0
  100.times do # 最多迭代100次
    prev_alpha = alpha
    digamma = Math.digamma(alpha)
    trigamma = Math.trigamma(alpha)
    # 更新alpha的迭代公式
    alpha = alpha - (Math.log(alpha) - digamma - (log_sample_mean - avg_log_data)) / (1.0/alpha - trigamma)
    # 收敛条件：参数变化小于1e-8
    break if (alpha - prev_alpha).abs < 1e-8
  end

  beta = sample_mean / alpha # 尺度参数
  [alpha, beta]
end

# 使用示例
data = [1.2, 3.4, 5.6, 7.8, 9.0, 2.3, 4.5, 6.7, 8.9]
alpha, beta = fit_gamma(data)

new_data = [3.0, 6.0, 9.0]
scores = new_data.map do |x|
  cdf_value = Distribution::Gamma.cdf(x, alpha, beta)
  100 - 100 * cdf_value
end

puts scores.inspect

补充说明 #

• 两种方法的输出结果会和你Python代码的结果高度一致，因为都是基于Gamma分布的MLE拟合和标准CDF计算。
• 方法1的Statsample库还支持其他分布的拟合，扩展性更强；方法2则更轻量，适合对依赖有严格要求的场景。

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