一、使用copula生成合成数据集（synthetic dataset）
1. 三维数据描述
建立一个三维数据表，查看三维数据的散点图：
from copulas.datasets import sample_trivariate_xyz
data = sample_trivariate_xyz()
from copulas.visualization import scatter_3d
scatter_3d(data)
2. 使用高斯copula对数据集建模
使用GaussianMultivariate（自动）估计x、y、z的边缘分布和联合分布，从而能够对数据集建模。
from copulas.multivariate import GaussianMultivariate
copula = GaussianMultivariate()
copula.fit(data)
3. 使用拟合后的模型生成新的数据集
使用sample按拟合好的边际分布生成1000个新的样本点（每个编辑分布都生成1000个样本点，3个边际分布生成3000个样本点）
num_samples = 1000
synthetic_data = copula.sample(num_samples)
synthetic_data.head()
4. 观察三维散点图，比较拟合数据与真实数据的差异
from copulas.visualization import compare_3d
compare_3d(data, synthetic_data)
5. 保存与加载模型拟合路径
对于需要较长时间进行拟合copula模型的数据，可以拟合一个比较合适的模型后，用save保存这个模型，在每次想采样新数据时用load加载存储在磁盘上已经拟合好的模型。
model_path = 'mymodel.pkl'
copula.save(model_path)
new_copula = GaussianMultivariate.load(model_path)
new_samples = new_copula.sample(num_samples)
6. 提取和设置参数
在某些情况下，从拟合的连接中获取参数比从磁盘中保存和加载参数更有用。可以使用to_dict方法提取copula模型的参数：
copula_params = copula.to_dict()一旦有了所有的参数，就可以使用from_dict创建一个新的相同的Copula模型：
new_copula = GaussianMultivariate.from_dict(copula_params)
# 用新模型生成新的参数：
new_samples = new_copula.sample(num_samples)到此这篇关于python Copula 实现绘制散点模型的文章就介绍到这了,更多相关python Copula 内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
