Генерация случайных данных на основе существующих данных

Question

есть ли способ в python генерировать случайные данные на основе распределения существующих данных за последние сутки?

Вот статистические параметры моего набора данных:

Data
count   209.000000
mean    1.280144
std     0.374602
min     0.880000
25%     1.060000
50%     1.150000
75%     1.400000
max     4.140000

как это не нормальное распределение, это невозможно сделать с помощью np.random.normal. Любые идеи?

Спасибо.

Редактировать: Выполнение KDE:

from sklearn.neighbors import KernelDensity
# Gaussian KDE
kde = KernelDensity(kernel='gaussian', bandwidth=0.525566).fit(data['y'].to_numpy().reshape(-1, 1))
sns.distplot(kde.sample(2400))

Answer 1

В общем случае данные реального мира не совсем соответствуют «хорошему» распределению, как нормальное распределение или распределение Вейбулла.

Как и в случае машинного обучения, выборка из распределения точек данных, как правило, состоит из двух этапов:

• Соответствие модели данных для данных .

• Затем предсказывают новую точку данных на основе этой модели с помощью случайности.

Там Есть несколько способов оценить распределение данных и выборки из этой оценки:

• Оценка плотности ядра.
• Модели гауссовой смеси.
• Гистограммы.
• Модели регрессии.
• Другие модели машинного обучения.

Кроме того, такие методы, как оценка максимального правдоподобия , позволяют соответствовать известному распределению (например, нормальному распределению) для данных, но предполагаемое распределение обычно грубее, чем при оценке плотности ядра или других моделях машинного обучения.

См. также мой раздел " Случайные числа из Распределение данных Poi NTS ».