Python中未知曲线方程时，如何获取累积分布对应Y分段的X值？

你的核心问题是混淆了torch.quantile的输入对象，或者对CDF与分位数的对应关系理解有误。以下分两种场景给出正确实现：

场景1：你拥有X的样本数据 #

如果手上是从目标分布中采样得到的X样本（比如批量X值），直接对X样本求对应Y分位点的分位数即可：

1. 定义Y轴的等分分段点（5段需要6个分界点，对应累积概率0到1，步长0.2）
2. 用torch.quantile计算X样本在这些概率点上的分位数，结果就是对应的X轴分段点

import torch

# 替换成你的真实X样本数据
x_samples = torch.normal(mean=5.0, std=2.0, size=(10000,))

# Y轴等分成5段的概率分界点
y_quantiles = torch.tensor([0.0, 0.2, 0.4, 0.6, 0.8, 1.0])

# 计算对应的X轴分段点
x_segments = torch.quantile(x_samples, y_quantiles)

注意：这里得到的x_segments直接是X轴的原始范围值，不需要再乘以X轴范围，除非你的X样本已经被归一化到0-1区间。

场景2：你已经有CDF的离散曲线数据 #

如果手上是一组(x_i, cdf_i)的离散点（x_i是X轴值，cdf_i是对应累积概率），需要用插值法找到Y等分点对应的X值：

1. 确保cdf_i是单调递增的（符合CDF的固有性质）
2. 用torch.interp根据Y的等分点，在CDF曲线上插值得到对应的X值

import torch

# 替换成你的真实CDF离散数据
x_values = torch.linspace(0, 10, 100)  # X轴离散点
cdf_values = torch.distributions.Normal(5.0, 2.0).cdf(x_values)  # 对应累积概率

# Y轴等分成5段的概率分界点
y_quantiles = torch.tensor([0.0, 0.2, 0.4, 0.6, 0.8, 1.0])

# 插值得到X轴分段点
x_segments = torch.interp(y_quantiles, cdf_values, x_values)

你原方法的错误原因 #

• 若你把CDF的累积概率值（Y值）传给了torch.quantile的第一个参数，这完全错误——torch.quantile的输入是X的样本集合，不是CDF的Y值。
• 若你对X样本做了归一化后又重复乘以X范围，会导致结果偏离真实值。

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