逆变换采样柯西分布时插值超界错误的原因与修正方法

报错A value in x_new is above the interpolation range的核心原因是构造的插值函数输入范围根本没有覆盖[0,1]区间：

• 代码中取的x范围是[-6, 6]，标准柯西分布在这个区间外的概率约为5.3%，也就是说用cumsum计算得到的cdf最大值只有约0.947，远小于1；同时cdf的最小值是第一个区间的积分值，也不是0。
• 生成的cdf_new是[0,1]区间的均匀随机数，只要随机数大于cdf的最大值（≈0.947），就会超出interp1d默认的插值输入范围，触发报错；随机数小于cdf最小值时同样会越界，只是报错优先提示上界越界。
• 额外的小问题：代码用了from numpy import *的全量导入，后续写np.random会触发命名错误，直接调用random.uniform即可。

方案1：保留插值逻辑的修正 #

调整x的覆盖范围，归一化CDF到[0,1]区间，同时给插值函数设置越界处理规则，避免报错：

from numpy import *
from matplotlib.pyplot import *
from scipy.interpolate import interp1d

def cauchy_pdf(x):
    return 1 / (pi*(1+x**2))

# 扩大x范围覆盖柯西分布几乎所有支撑集
x = linspace(-1000, 1000, 100000)
dx = x[1] - x[0]
cdf = cumsum(cauchy_pdf(x)) * dx
# 归一化CDF，严格对齐[0,1]范围，消除离散求和的误差
cdf = (cdf - cdf.min()) / (cdf.max() - cdf.min())

# 配置插值函数：关闭越界报错，越界时返回x的端点值
from_cdf_to_x = interp1d(cdf, x, bounds_error=False, fill_value=(x.min(), x.max()))
# 生成0-1均匀随机数采样
cdf_new = random.uniform(0, 1, size=10000)
x_sampled = from_cdf_to_x(cdf_new)

# 采样结果验证
hist(x_sampled, bins=100, density=True, alpha=0.7, range=(-10,10), label='Sampled data')
x_plot = linspace(-10, 10, 1000)
plot(x_plot, cauchy_pdf(x_plot), 'r', label='Theoretical Cauchy PDF')
xlabel('x')
ylabel('Density')
legend()
show()

方案2：使用CDF逆函数解析解（无插值误差，更推荐） #

标准柯西分布的CDF有明确解析形式：$F(x) = \frac{1}{2} + \frac{1}{\pi}\arctan(x)$，对应的逆函数可以直接推导，完全不需要插值，精度和效率都更高：

from numpy import *
from matplotlib.pyplot import *

def cauchy_inverse_cdf(u):
    # 对CDF求逆得到的解析表达式
    return tan(pi * (u - 0.5))

# 采样，裁剪掉u=0和u=1的极端值避免无穷大
cdf_new = random.uniform(0, 1, size=10000)
cdf_new = clip(cdf_new, 1e-10, 1-1e-10)
x_sampled = cauchy_inverse_cdf(cdf_new)

# 采样结果验证
hist(x_sampled, bins=100, density=True, alpha=0.7, range=(-10,10), label='Sampled data')
x_plot = linspace(-10, 1000)
plot(x_plot, 1/(pi*(1+x_plot**2)), 'r', label='Theoretical Cauchy PDF')
xlabel('x')
ylabel('Density')
legend()
show()

内容的提问来源于stack exchange，提问作者Andrew