试图从SciPy中的分布中提取随机数，就像使用stats.norm.rvs一样。然而，我试图从我的经验分布中提取数字-这是一个偏斜的数据集，我想将偏斜和峰度合并到我所提取的分布中。理想情况下，我只想调用stats.norm.rvs（loc=blah，scale=blah，size=blah），然后除了设置均值和方差外，还设置偏斜和kurt。范数函数采用由"mvsk"的一些排列组成的"矩"自变量，其中s和k代表偏斜和峰度，但显然所做的只是要求从rv计算s和k，而我想首先将s和k确定为分布的参数。
无论如何，我不是一个统计专家，也许这是一个简单或误导的问题。如果有任何帮助，我将不胜感激。
编辑：如果四个矩不足以很好地定义分布，那么有没有其他方法可以绘制出与如下经验分布一致的值：https://i.stack.imgur.com/zia1r.png
如果您不担心进入分发的尾部，并且数据是浮点，那么你可以从经验分布中取样。
- 对数据进行排序
- 将0挂起到数据
- 设N表示该data_array的长度
- 计算q=scipy.rand（）*N
- idx=int（q）；di=q-idx
- xlo=数据数组[idx]，xhi=数据数组[idx+1]
- 返回xlo+（xhi xlo）*di
基本上，这是在经验CDF中进行线性插值，以获得随机变量。
两个潜在的问题是（1）如果你的数据集很小，你可能无法代表分布良好，并且（2）您不会生成大于最大值的值现有数据集中的一个。
为了超越这些，你需要看看参数分布，比如上面提到的伽马分布。
正态分布只有两个参数，均值和方差。正态分布有4个参数的扩展，附加了偏斜和峰度。一个例子是Gram-Charlier展开，但据我所知，scipy中只有pdf，而不是rvs。
作为替代方案，scipy.stats中有4个参数的分布，如johnsonsu，它们是灵活的，但具有不同的参数化。
然而，在您的示例中，分布是针对大于零的值，因此近似正态分布不会很好地工作。正如Andrew所建议的，我认为你应该仔细研究scipy.stats中下界为零的分布，比如gamma，你可能会发现一些接近的分布。
如果您的样本足够大，另一种选择是使用gaussian_kde，它也可以创建随机数。但是gaussian_kde也不是为具有有限界的分布而设计的。
也许我误解了，我当然不是统计专家，但你的图像看起来有点像伽马分布。
Scipy包含一个专门针对伽马分布的代码-http://www.scipy.org/doc/api_docs/SciPy.stats.distributions.html#gamma
如果需要，简短回答替换为其他分发：
n = 100
a_b = [rand() for i in range(n)]
a_b.sort()
# len(a_b[:int(n*.8)])
c = a_b[int(n*.8)]
print c