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)
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)
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)
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)
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)
