python Copula 模型实现

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)