Skip to content

inference-api.md

Latest commit

 

History

History
218 lines (156 loc) · 5.99 KB

inference-api.md

File metadata and controls

218 lines (156 loc) · 5.99 KB
Raw

推断 API 参考

模块: statgpu.inference
最后更新: 2026-06-14
后端: NumPy, CuPy, PyTorch

statgpu.inference 模块提供统计推断工具：分布函数、多重检验、排列检验和自助法。

快速参考

from statgpu.inference import norm, poisson, t, adjust_pvalues, combine_pvalues, permutation_test
函数/类 说明
norm, t, chi2, f, beta, gamma, poisson, binom, uniform, expon, cauchy, laplace, logistic, lognorm, weibull_min 分布对象（与 scipy 兼容的 API）
get_distribution(name, backend=...) 动态分布查找
adjust_pvalues(pvals, method=...) 多重检验校正
combine_pvalues(pvals, method=...) 全局 p 值合并
permutation_test(statistic, X, y, ...) 基于排列的假设检验
bootstrap_statistic(statistic, arrays, ...) 通用自助法引擎
multipletests(...) adjust_pvalues 的别名（科学命名）

分布函数

直接导入（默认 NumPy）

from statgpu.inference import norm, poisson, t

# 生成随机样本
X = norm.rvs(size=1000)

# CDF、生存函数、PPF
p = norm.cdf(1.96)           # 0.975
s = norm.sf(1.96)            # 0.025
q = norm.ppf(0.975)          # 1.96

# 带参数的 Poisson
y = poisson.rvs(mu=3.0, size=1000)

# 带自由度的 t 分布
p = t.cdf(2.0, df=10)

GPU 后端

from statgpu.inference import norm

# Torch 后端
X_torch = norm.rvs(size=1000, backend="torch")    # CUDA 上的 torch tensor
p = norm.cdf(x_torch, backend="torch")

# CuPy 后端
X_cupy = norm.rvs(size=1000, backend="cupy")      # GPU 上的 CuPy array

# 从输入类型自动检测后端
import torch
x = torch.tensor([0.0, 1.96]).cuda()
p = norm.cdf(x)  # 自动使用 torch 后端

可用分布

分布 参数 方法
norm — rvs, cdf, sf, ppf, isf, pdf
t df rvs, cdf, sf, ppf, isf, pdf
chi2 df rvs, cdf, sf, ppf, isf, pdf
f dfn, dfd rvs, cdf, sf, ppf, isf, pdf
beta a, b rvs, cdf, sf, ppf, isf, pdf
gamma a rvs, cdf, sf, ppf, isf, pdf
uniform — rvs, cdf, sf, ppf, isf, pdf
expon — rvs, cdf, sf, ppf, isf, pdf
cauchy — rvs, cdf, sf, ppf, isf, pdf
laplace — rvs, cdf, sf, ppf, isf, pdf
logistic — rvs, cdf, sf, ppf, isf, pdf
lognorm s rvs, cdf, sf, ppf, isf, pdf
weibull_min c rvs, cdf, sf, ppf, isf, pdf
poisson mu rvs, cdf, sf, ppf, pmf
binom n, p rvs, cdf, sf, ppf, pmf

动态查找

from statgpu.inference import get_distribution

# 按名称查找
norm = get_distribution("norm", backend="torch")
pois = get_distribution("poisson", backend="cupy")

# 列出可用分布
from statgpu.inference import list_available_distributions
print(list_available_distributions())

多重检验

adjust_pvalues（p 值校正）

from statgpu.inference import adjust_pvalues
import numpy as np

pvals = np.array([0.001, 0.01, 0.03, 0.05, 0.5])

# Benjamini-Hochberg（FDR 控制）
reject, pvals_adj = adjust_pvalues(pvals, method='bh')

# 其他方法：'bonferroni', 'holm', 'hochberg', 'by'（Benjamini-Yekutieli）
reject, pvals_adj = adjust_pvalues(pvals, method='bonferroni')

combine_pvalues（全局 p 值）

from statgpu.inference import combine_pvalues

pvals = np.array([0.01, 0.04, 0.03, 0.40])

# Fisher 方法
stat, p_global = combine_pvalues(pvals, method='fisher')

# Cauchy 合并检验（ACAT）
stat, p_global = combine_pvalues(pvals, method='cauchy')

# Stouffer 方法
stat, p_global = combine_pvalues(pvals, method='stouffer')

排列检验

from statgpu.inference import permutation_test
import numpy as np

rng = np.random.default_rng(42)
X = rng.standard_normal((100, 5))
y = X @ np.ones(5) + rng.standard_normal(100)

# 检验 X[:,0] 和 y 的相关性
result = permutation_test(
    lambda X_, y_: np.corrcoef(X_[:, 0], y_)[0, 1],
    X, y,
    n_resamples=999,
    random_state=42,
)
print(f"p 值: {result.pvalue:.4f}")

自助法

from statgpu.inference import bootstrap_statistic
import numpy as np

rng = np.random.default_rng(42)
data = rng.standard_normal(1000)

# 自助法均值
result = bootstrap_statistic(
    np.mean, (data,),
    n_resamples=9999,
    random_state=42,
)
print(f"均值: {result.statistic:.4f}")
print(f"95% CI: [{result.confidence_interval.low:.4f}, {result.confidence_interval.high:.4f}]")

R 兼容性

从 R 迁移的用户可以使用 R 兼容的函数名：

from statgpu.inference import norm

# R 风格：dnorm, pnorm, qnorm, rnorm
from statgpu.inference import dnorm_gpu, pnorm_gpu, qnorm_gpu, rnorm_gpu

# 这些是 R 的 dnorm/pnorm/qnorm/rnorm 的 GPU 加速等价物

常见问题

Q: 什么时候用 get_distribution() vs 直接导入？
A: numpy 后端用直接导入（from statgpu.inference import norm）。需要控制后端时用 get_distribution("norm", backend="torch")。

Q: 可以用 statgpu 分布替代 scipy 吗？
A: 可以。API 与 scipy 兼容：rvs, cdf, sf, ppf, isf, pdf/pmf 签名相同。将 scipy.stats.norm 替换为 statgpu.inference.norm 即可。

Q: 如何使用 GPU 加速的分布？
A: 给任何分布方法传 backend="torch" 或 backend="cupy"：norm.rvs(size=1000, backend="torch")。

Q: sf 和 1 - cdf 有什么区别？
A: sf(x) 是生存函数（1 - CDF）。当 CDF 接近 1 时，sf 数值更稳定。

参考文献