尽管 PyTorch 是一种强大的深度学习框架，但它本身并不直接提供用于执行 Kolmogorov-Smirnov (KS) 检验的功能。然而，可以通过手动计算 KS 统计量来实现这一目标。以下是基于 PyTorch 的 KS 检验的代码示例： ### 基于 PyTorch 实现 KS 检验 ```python import torch def ks_test(sample1, sample2): """ 计算两个样本之间的 Kolmogorov-Smirnov (KS) 统计值。 参数: sample1 (torch.Tensor): 第一个样本数据，形状为 (n_samples,) sample2 (torch.Tensor): 第二个样本数据，形状为 (n_samples,) 返回: statistic (float): KS 统计量 p_value (float): P 值（此处未实现） """ # 将输入转换为张量并确保其为一维 sample1 = torch.tensor(sample1).flatten() if not isinstance(sample1, torch.Tensor) else sample1.flatten() sample2 = torch.tensor(sample2).flatten() if not isinstance(sample2, torch.Tensor) else sample2.flatten() # 合并两个样本并对合并后的数组进行排序 combined = torch.cat([sample1, sample2]) sorted_combined, _ = torch.sort(combined) # 对每个样本分别计算累积分布函数 (CDF) cdf1 = torch.searchsorted(torch.sort(sample1)[0], sorted_combined) / sample1.shape[0] cdf2 = torch.searchsorted(torch.sort(sample2)[0], sorted_combined) / sample2.shape[0] # 计算两条 CDF 曲线的最大绝对差值 statistic = torch.max(torch.abs(cdf1 - cdf2)).item() # 这里仅返回统计值；P 值需要额外的显著性水平表或蒙特卡洛模拟得出 return statistic # 示例数据 data1 = torch.randn(100) # 正态分布随机数 data2 = torch.randn(100) * 1.5 + 0.5 # 缩放和平移正态分布 # 执行 KS 检验 statistic = ks_test(data1, data2) print(f"KS Statistic: {statistic}") ``` #### 解析 - **`ks_test` 函数**: 接受两个样本 `sample1` 和 `sample2` 并计算它们的 KS 统计量[^4]。 - **累积分布函数 (CDF)**: 使用 `torch.searchsorted` 来高效地计算每条样本的 CDF[^4]。 - **最大绝对差值**: 通过 `torch.abs` 和 `torch.max` 获取两条 CDF 曲线间的最大垂直距离。 需要注意的是，上述代码并未实现 P 值的计算功能。这是因为 P 值通常依赖于查表法或复杂的数值积分技术，这超出了纯 PyTorch 的能力范围。如果需要完整的 KS 检验结果（包括 P 值），建议使用 SciPy 库中的 `scipy.stats.ks_2samp` 方法[^4]。 --- ###