我正在为我的地质研究创建某种简化的概率分布计算器，例如Oracle Crystal Ball应用程序（顺便说一句，Python的新功能，刚刚开始使用）。
作为输入，应该使用六个P90（置信度的90％）和六个P10（置信度的10％）参数来创建概率分布。每个参数都有自己的从P90值到P10值的步长。输入到那里后，它将计算从P90到P10的所有可能情况，并为每个参数指定一个指示步骤。实际上，这听起来像笛卡尔积。
参数如下：总面积，层厚，孔隙率等
[从一些编码开始，使用过的网络，现在我有了一点东西，为我提供了分布，简单的统计数据和可视化图表。但是，我有两个问题，您可以在本主题的底部找到。
最后是代码：
最初为P90值（置信度为90％）：
P90_area = float(input('P90 area: '))
P90_thickness = float(input('P90 thickness: '))
P90_porosity = float(input('P90 porosity: '))
P90_saturation = float(input('P90 saturation: '))
P90_pressure = float(input('P90 pressure: '))
P90_surface = float(input('P90 surface: '))
然后是P10值（置信度为10％）：
P10_area = float(input('P10 area: '))
P10_thickness = float(input('P10 thickness: '))
P10_porosity = float(input('P10 porosity: '))
P10_saturation = float(input('P10 saturation: '))
P10_pressure = float(input('P10 pressure: '))
P10_surface = float(input('P10 surface: '))
使用特定步骤创建从P90到P10的值范围
area_values = np.arange(P90_area, P10_area + 0.01, 0.01)
thickness_values = np.arange(P90_thickness, P10_thickness + 0.1, 0.1)
porosity_values = np.arange(P90_porosity, P10_porosity + 0.01, 0.01)
saturation_range = np.arange(P90_saturation, P10_saturation + 0.01, 0.01)
pressure_range = np.arange(P90_pressure, P10_pressure + 1, 1)
surface_range = np.arange(P90_surface, P10_surface + 0.01, 0.01)
将所有列表合并到笛卡尔积中（即[（area1，厚度1，孔隙率1），（area1，厚度1，孔隙率2）等]）：
list_of_tuples = list(itertools.product(area_values, thickness_values, porosity_values, saturation_range, pressure_range, surface_range)
将元组列表转换为列表列表：
list_of_lists = [list(elem) for elem in list_of_tuples]
创建具有多个值的列表并对其进行排序（'np.prod'返回每个列表的乘积）：
multiplied_values = []
for i in list_of_lists:
i = np.prod(np.array(i))
multiplied_values.append(i)
multiplied_values = sorted(multiplied_values)
舍入值：
rounded_values = [float(Decimal('%.2f' % elem)) for elem in multiplied_values]
创建一个计算所有相似/唯一对象的字典：
counts = Counter(rounded_values)
通过将值除以列表中元素的总数来计算概率：
probability_mass = {k: v/total for k, v in counts.items()}
有效，这里有简单的统计数据和特定情况的图表：
Figure. Probability distribution diagram
第一个问题很关键，因为它阻止了大数据堆栈的计算：
Q1。关键问题：
处理以退出代码137完成（被信号9：SIGKILL中断）。
[这在计算总量超过〜10MM和〜1分钟时发生（通过实验检查，因此数字是粗糙的。]
根据类似的主题，很可能我的脚本由于过多的CPU使用率而被操作系统杀死。我在运行代码时用'top'命令检查了CPU的负载，当CPU可以处理输入参数时，CPU的负载达到了100％，而在中断时，CPU的负载达到了110％。
规格：笔记本华硕G531GU | i7-9750H CPU 2.60GHz | GeForce GTX 1660 TI，6Gb | 16Gb DDR4 | Ubuntu 18 | PyCharm社区IDE。
问题：我有什么机会摆脱这种干扰，让脚本在必要时运行？我愿意等待所需的时间，以便为大型数据堆栈获取正确的分发。为每个参数增加一个步骤是一个硬性选择，我宁愿这样做。
Q2。概率分布图看起来不像经典的正态分布，而最大概率值和平均值之间的差异非常大。您怎么看，代码的逻辑可能有问题吗？
P.S。我了解此脚本看起来很坎bump，希望您的眼睛不会流血）
根据您对上述问题的回答，我可能建议您采用抽样方法，而不是评估每种可能性。查找蒙特卡洛模拟。如果您有一个要使用新数据更新的先前发行版，并且想知道后验（最终）发行版，则考虑使用贝叶斯方法，特别是Winbugs（不是Python的贝叶斯程序的理想独立程序）。
PS。我知道我的答案可能更适合写为评论，但显然您需要+50的声誉，而我还没有呢：（