我有一个数据集，我想拟合一个已知的概率分布。目的是在数据生成器中使用拟合的 PDF - 这样我就可以从已知的（拟合的）PDF 中采样数据。数据将用于模拟目的。目前我只是从正态分布中采样，这与真实数据不一致，因此模拟结果不准确。
我首先想使用以下方法： 使用 Scipy (Python) 将经验分布拟合到理论分布？
我的第一个想法是让它适应威布尔分布，但数据实际上是多模态的（附图片）。所以我想我需要组合多个分布，然后将数据拟合到结果分布，对吗？也许结合高斯和威布尔分布？
如何将 scipy fit() 函数与混合/多模式分布一起使用？
我也想在 Python 中执行此操作（即 scipy/numpy/matplotlib），因为数据生成器是用 Python 编写的。
非常感谢 ！
我建议使用核密度估计 (KDE)。它为您提供了一个混合 PDF 的解决方案。
SciPy 只有高斯内核（对于您的特定直方图看起来不错），但您可以在statsmodelsorscikit-learn包中找到其他内核。
作为参考，这些是相关的功能：
from sklearn.neighbors import KernelDensity
from scipy.stats import gaussian_kde
from statsmodels.nonparametric.kde import KDEUnivariate
from statsmodels.nonparametric.kernel_density import KDEMultivariate
Python 中 KDE 的一个很好的资源在这里。