求scipy.stats.norm.ppf()的Python替代实现方案

scipy.stats.norm.ppf()是正态分布的分位数函数（即逆累积分布函数，为CDF的逆运算），以下是几种无需依赖scipy的替代实现，适合你打包EXE程序的需求：

1. 纯Python高精度近似（Beasley-Springer-Moro算法） #

该算法能以接近专业库的精度计算标准正态分布分位数，无需任何第三方依赖：

import math

def norm_ppf(p):
    if p <= 0 or p >= 1:
        raise ValueError("p must be in (0, 1)")
    if p == 0.5:
        return 0.0
    
    # 算法参数
    a = [2.50662823884, -18.61500062529, 41.39119773534, -25.44106049637]
    b = [-8.47351093090, 23.08336743743, -21.06224101826, 3.13082909833]
    c = [0.3374754822726147, 0.9761690190917186, 0.1607979714918209, 0.0276438810333863,
         0.0038405729373609, 0.0003951896511919, 0.0000321767881768, 0.0000002888167364,
         0.0000003960315187]
    
    q = p - 0.5
    r = q * q
    if abs(q) <= 0.42:
        # 中心区域计算
        return q * (((a[3] * r + a[2]) * r + a[1]) * r + a[0]) / ((((b[3] * r + b[2]) * r + b[1]) * r + b[0]) * r + 1)
    else:
        # 尾部区域计算
        r = math.sqrt(-math.log(1 - p) if q > 0 else -math.log(p))
        return r - (((((((c[8] * r + c[7]) * r + c[6]) * r + c[5]) * r + c[4]) * r + c[3]) * r + c[2]) * r + c[1]) / (c[0] + r)

使用示例：

# 对应scipy.stats.norm.ppf(0.95)的结果
print(norm_ppf(0.95))  # 输出约1.6448536269514722

2. 轻量第三方库方案（mpmath） #

如果可以引入体积远小于scipy的纯Python库，mpmath提供了原生的正态分位数计算：

import mpmath

def norm_ppf(p):
    return float(mpmath.qf('normal', p, 0, 1))

mpmath仅依赖Python标准库，打包后不会显著增加EXE体积。

3. 简易纯Python近似（精度较低） #

若对精度要求不高，可使用基于误差函数逆的简易近似：

import math

def norm_ppf(p):
    if p <= 0 or p >= 1:
        raise ValueError("p must be in (0, 1)")
    if p == 0.5:
        return 0.0
    
    # 误差函数逆的近似计算
    x = 2 * p - 1
    a = 0.147
    erf_inv_approx = x + (a * x**3) / (1 + a * x**2)
    return math.sqrt(math.pi) * erf_inv_approx

该方案实现简单，但在分布尾部的精度略逊于前两种方法。

内容的提问来源于stack exchange，提问作者leenremm