如何在没有正态性假设的情况下模拟新值？

Question

我有以下列表：

series=[0.6, 4.1, 0.6, 6.7, 9.2, 7.6, 5.5, 0.9, 3.8, 8.4]

series 的 mean 是 4.74 而它的 np.std 等于：3.101

我想从 series 生成 1000 个观察结果，所以我使用了以下方法：

>>> series_1000=np.random.normal(4.74, 3.101, size=(1000))
>>> series_1000
>>> array([ 3.43395217,  6.60462489,  5.27316166,  4.20429521,  4.76772334,
        8.04441319, -0.6967243 ,  0.53378519,  2.1736758 ,  9.96333279....

问题

上面的方法看起来不错，但是它是在series 是normally 分布的假设下工作的。

目标

我的目标是找到一种在不对原始 series 做任何假设的情况下模拟值的方法。

您身边的任何帮助将不胜感激。

Answer 1

如果统一分布更适合您的需要，您可以使用：

(np.random.uniform(-1, 1, size=1000) * 3.101) + 4.74

或者在一个方便的函数中：

def generate_values(mean, std, size=1000):
    return(np.random.uniform(-1, 1, size=size) * std) + mean