如何在Python中识别给定数据所属的统计分布类型

完全可以在Python中实现自动数据分布识别，无需仅靠手动观察直方图判断，以下是两种可落地的实现方案：

1.1 基于scipy.stats实现 #

scipy内置了几乎所有常见分布的拟合、检验能力，配合拟合优度检验即可快速完成分布匹配：

import numpy as np
from scipy import stats

# 待检测的一维样本数据
data = stats.gamma.rvs(a=2, scale=2, size=1000) # 示例：生成1000个伽马分布样本

# 自定义候选分布族，可按需添加其他分布
candidate_dists = [stats.norm, stats.gamma, stats.expon, stats.poisson, stats.geom, stats.beta]

fit_results = []
for dist in candidate_dists:
    # 跳过数据类型不匹配的场景：比如离散分布不能拟合非整数连续数据
    if dist.discrete and (data % 1 != 0).any():
        continue
    # 极大似然估计拟合分布参数
    params = dist.fit(data)
    # 计算拟合优度：连续分布用KS检验，离散分布可替换为卡方检验
    if not dist.discrete:
        stat, p_value = stats.kstest(data, dist.name, args=params)
        fit_results.append((dist.name, p_value, params))

# 按p值降序排列，p值越高代表拟合效果越好
fit_results.sort(key=lambda x: x[1], reverse=True)
print(f"最匹配的分布：{fit_results[0][0]}, 对应参数：{fit_results[0][2]}")

1.2 基于fitter库实现 #

fitter是专门封装了分布识别能力的第三方库，调用更简便，无需手动实现遍历逻辑：
首先执行pip install fitter完成库安装

from fitter import Fitter
import numpy as np
from scipy import stats

data = stats.gamma.rvs(a=2, scale=2, size=1000)

# 初始化时可指定候选分布列表，不指定则默认遍历所有支持的分布（耗时较长）
f = Fitter(data, distributions=['norm', 'gamma', 'expon', 'beta', 'uniform'])
f.fit()
# 输出拟合效果最优的前3个分布，同时绘制拟合对比图
print(f.summary(Nbest=3))
# 直接获取最优分布的参数
print(f.get_best(method='sumsquare_error'))

如果不想依赖额外的封装库，可自行实现分布识别的核心流程：

• 第一步：先判断待检测数据是离散型还是连续型，过滤掉类型不匹配的候选分布
• 第二步：对每个候选分布，用极大似然估计计算最优分布参数
• 第三步：选择适配的拟合优度检验计算匹配得分：连续分布用KS/AD检验，离散分布用卡方检验
• 第四步：按匹配得分对所有候选分布排序，得分最高（p值最大）的即为最优匹配分布

• 样本量低于50时拟合优度检验的参考价值极低，建议至少保证样本量在100以上
• 混合分布、重尾分布的识别误差较高，建议配合QQ图、P-P图做可视化二次验证，不要完全依赖量化指标
• 部分分布的拟合存在参数边界限制，比如泊松分布的λ必须大于0，手动实现时需要额外处理边界异常

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