SciPy 离散拉普拉斯分布discrete Laplace / dwaplace完整指南定义、性质与 scipy.stats.dlaplace 实战【免费下载链接】scipySciPy library main repository项目地址: https://gitcode.com/gh_mirrors/sc/scipy离散拉普拉斯分布Discrete Laplacian / Two-sided Geometric Distribution是定义在全体整数上的双尾几何型分布在差分隐私、整数噪声建模等领域有直接应用。本文以 doc/source/tutorial/stats/discrete_dlaplace.rst 为骨架结合 scipy/stats/_discrete_distns.py 中dlaplace_gen的完整实现与测试用例系统讲解其概率质量函数、分布函数、分位数、矩母函数、矩、熵等全部数学定义并给出可复制的 SciPy 实战代码。读完本文你将能熟练使用scipy.stats.dlaplace完成概率计算、随机抽样、矩与熵的求解并理解其与几何分布之间的深层联系。分布定义定义在全体整数上的双尾分布离散拉普拉斯分布对全体整数 :math:k \in \mathbb{Z}定义形状参数满足 :math:a0。其概率质量函数PMF为p(k) \tanh\left(\frac{a}{2}\right)\, e^{-a|k|}, \qquad k \in \mathbb{Z},\ a 0其中 :math:\tanh(a/2)是归一化常数。由于 :math:p(k) p(-k)该分布关于 0 对称且在 :math:k0处取得最大概率 :math:p(0)\tanh(a/2)。参数 :math:a越大概率质量越向 0 集中分布尾部越薄:math:a越小分布越平缓、尾部越厚。这一点在源码中有直接印证。scipy/stats/_discrete_distns.py 中dlaplace_gen._pmf的实现与文档公式逐字对应def _pmf(self, k, a): # dlaplace.pmf(k) tanh(a/2) * exp(-a*abs(k)) return tanh(a/2.0) * exp(-a * abs(k))同时_shape_infoL1510-L1511将形状参数声明为严格正的开区间(0, inf)即a 0时分布不合法。这也解释了 scipy/stats/_distr_params.py 中把(-0.5,)列入该分布非法参数集invaliddistparams的测试原因。累积分布函数CDF记 :math:\lfloor x \rfloor为向下取整CDF 为分段形式F(x) \begin{cases} \dfrac{e^{a(\lfloor x \rfloor 1)}}{e^{a} 1}, \lfloor x \rfloor 0,\\[8pt] 1 - \dfrac{e^{-a \lfloor x \rfloor}}{e^{a} 1}, \lfloor x \rfloor \geq 0. \end{cases}源码实现见 L1517-L1526其中f1对应 :math:\lfloor x\rfloor \ge 0的分支f2对应 :math:\lfloor x\rfloor 0的分支并通过xpx.apply_where(k 0, ...)按条件逐元素选择def _cdf(self, x, a): k floor(x) def f1(k, a): return 1.0 - exp(-a * k) / (exp(a) 1) def f2(k, a): return exp(a * (k 1)) / (exp(a) 1) return xpx.apply_where(k 0, (k, a), f1, f2)分位函数PPF / 逆 CDF分位函数同样为分段形式:math:G(q) F^{-1}(q)G(q) \begin{cases} \left\lceil \frac{1}{a}\log\left[q(e^{a}1)\right] - 1 \right\rceil, q \frac{1}{1e^{-a}},\\[8pt] \left\lceil -\frac{1}{a}\log\left[(1-q)(1e^{a})\right] \right\rceil, q \geq \frac{1}{1e^{-a}}. \end{cases}由于分布是离散的CDF 存在平台区间直接取整得到的候选值可能并非精确分位数。源码 L1528-L1534 因此在取整后额外做了一步校验先计算vals与vals - 1再通过self._cdf(vals1, a) q判断是否取vals1保证返回的是严格满足分位数定义的最小整数def _ppf(self, q, a): const 1 exp(a) vals ceil(np.where(q 1.0 / (1 exp(-a)), log(q*const) / a - 1, -log((1-q) * const) / a)) vals1 vals - 1 return np.where(self._cdf(vals1, a) q, vals1, vals)矩母函数与矩从 MGF 到多对数函数矩母函数定义为 :math:M(t) E[e^{tX}]对全部整数求和M(t) \tanh\left(\frac{a}{2}\right)\sum_{k-\infty}^{\infty} e^{tk} e^{-a|k|}利用对称性拆分为正负两个几何级数后化简得到闭式表达式M(t) \frac{\tanh\left(\frac{a}{2}\right)\sinh a}{\cosh a - \cosh t}由矩母函数在 0 处的导数可得 :math:n阶原点矩\mu_{n} M^{(n)}(0) \left[1 (-1)^{n}\right] \operatorname{Li}_{-n}\left(e^{-a}\right)其中 :math:\operatorname{Li}_{-n}(z)是阶数为 :math:-n、在 :math:z处求值的多对数函数polylogarithm。由于因子 :math:[1(-1)^n]在 :math:n为奇数时取 0所有奇数阶矩恒为零——这正是对称分布的直接体现。SciPy 并未逐阶求多对数而是直接给出了前四阶累积量的闭式结果。源码 L1536-L1540def _stats(self, a): ea exp(a) mu2 2.*ea/(ea-1.)**2 mu4 2.*ea*(ea**210.*ea1.) / (ea-1.)**4 return 0., mu2, 0., mu4/mu2**2 - 3.即均值 :math:\mu 0方差 :math:\operatorname{Var}(X) \dfrac{2e^a}{(e^a - 1)^2}偏度 :math:0超额峰度 :math:\dfrac{\mu_4}{\mu_2^2} - 3 \dfrac{e^{2a}10e^a1}{2e^a} - 3。测试 scipy/stats/tests/test_distributions.py 将上述闭式结果与直接对 PMF 求和的数值结果互验a1时在atol1e-14, rtol1e-8内一致且断言(m, s) (0, 0)L3338-L3343 还验证了特例当 :math:a \ln 2时方差恰为 :math:4、超额峰度恰为 :math:3.25可作为手工核对公式的便捷锚点。熵分布的Shannon熵为h[X] -\log\left(\tanh\left(\frac{a}{2}\right)\right) \frac{a}{\sinh a}源码 L1542-L1543 与其完全一致def _entropy(self, a): return a / sinh(a) - log(tanh(a/2.0))scipy.stats.dlaplace 实战用法在 SciPy 中该分布以stats.dlaplace形式暴露并在 scipy/stats/init.py 的分布清单中列出Discrete Laplacian。所有离散分布统一支持loc位移参数与标准化的pmf/logpmf/cdf/ppf/isf/rvs/stats/entropy/moment/fit等接口。下面给出可直接运行的完整示例import numpy as np from scipy import stats a 1.0 # 形状参数必须 a 0 k np.arange(-5, 6) # 支持域为全体整数 # 概率质量函数与分布函数 pmf stats.dlaplace.pmf(k, a) # tanh(a/2) * exp(-a|k|) cdf stats.dlaplace.cdf(k, a) # 分段闭式公式 logpmf stats.dlaplace.logpmf(k, a) # 数值更稳定的对数形式 # 分位数离散分布经过最小整数校验 q np.array([0.1, 0.5, 0.9]) ppf stats.dlaplace.ppf(q, a) # 前四阶矩均值、方差、偏度、峰度 mean, var, skew, kurt stats.dlaplace.stats(a, momentsmvsk) # 期望结果mean0, skew0 # var 2*exp(a)/(exp(a)-1)**2 ≈ 3.16395a1 时 # 任意阶原点矩n 为偶数时非零 m2 stats.dlaplace.moment(2, a) # 与 var 一致 m4 stats.dlaplace.moment(4, a) # 熵 ent stats.dlaplace.entropy(a) # -log(tanh(a/2)) a/sinh(a) # 随机抽样固定随机种子保证可复现返回整数数组 rng np.random.default_rng(42) samples stats.dlaplace.rvs(a, size10000, random_staterng) assert np.issubdtype(samples.dtype, np.integer) # 结果必为整数需要位移时直接传loc即可例如stats.dlaplace.pmf(k, a, loc5)将分布整体右移 5 个单位抽样、矩与分位数均会自动按loc平移。随机数生成原理两个独立几何分布之差dlaplace的随机抽样L1545-L1564没有使用通用的逆变换采样而是利用了它与几何分布的结构等价性。源码注释给出了完整推导链条离散拉普拉斯分布等价于双面几何分布two-sided geometric distribution其 PMF 可写成f(k) \frac{1-\alpha}{1\alpha}\,\alpha^{|k|}, \qquad \alpha e^{-a}双面几何分布又等价于两个独立同分布几何分布之差若 :math:X, Y \overset{\text{iid}}{\sim} \mathrm{Geom}(p)则 :math:X - Y服从上述分布由此Bernoulli 成功概率取 :math:p 1 - e^{-a}源码用-np.expm1(-a)数值稳定地计算 :math:1-e^{-a}生成两个几何随机数并相减即可。对应实现为def _rvs(self, a, sizeNone, random_stateNone): probOfSuccess -np.expm1(-np.asarray(a)) x random_state.geometric(probOfSuccess, sizesize) y random_state.geometric(probOfSuccess, sizesize) return x - y由于 NumPy 的geometric返回正整数成功次数两者之差 :math:x-y天然覆盖全部整数且分布关于 0 对称。测试 scipy/stats/tests/test_distributions.py 专门验证了rvs的结果形状、标量/数组两种调用方式以及返回类型必须是整型typecodes[AllInteger]从侧面确认了这一实现路径。易错点与注意事项形状参数必须严格为正a 0。传入a 0会被_argcheck拒绝并抛出ValueErrorscipy/stats/_distr_params.py 中的非法参数回归用例覆盖了该场景。离散分位数的平台问题离散 CDF 是阶梯函数直接对闭式公式取整可能落在平台内部_ppf中候选值与候选值减一的两步校验L1533-L1534确保返回严格满足 :math:F(x-1) q \le F(x)的整数。fit的适用性dlaplace支持最大似然拟合但由于支持域为全体整数且形状参数区间开放建议结合实际数据分布先做目视检查更稳妥的做法是使用stats.dlaplace.fit(data)后通过stats输出的矩信息交叉验证。默认形状参数哨兵值源码末尾实例化为dlaplace dlaplace_gen(a-np.inf, namedlaplace, ...)L1567-L1568。-inf仅为占位默认值实际使用时必须显式传入合法的正形状参数a。进一步阅读相邻分布的教程页在 doc/source/tutorial/stats/discrete.rst 的分发 toctree 中与discrete_dlaplace并列discrete_geom几何分布、discrete_laplace的连续版laplace以及同为长尾整数分布的discrete_zipf、discrete_yulesimon。核心实现scipy/stats/_discrete_distns.pydlaplace_gen类定义与实例化。测试用例scipy/stats/tests/test_distributions.pyTestDLaplace的rvs、矩公式互验与数值特例以及 scipy/stats/tests/test_discrete_basic.py 中将其纳入全部离散分布通用测试套件支持域、参数校验、冻结对象等。【免费下载链接】scipySciPy library main repository项目地址: https://gitcode.com/gh_mirrors/sc/scipy创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考