Python Fitter 判断数据样本的分布函数拟合 | 您所在的位置:网站首页 › python列表保存csv › Python Fitter 判断数据样本的分布函数拟合 |
Python fitter包:拟合数据样本的分布
安装fitterFitter方法参数详解HistFit类:适合密度函数本身Python拟合数据样本的分布
github项目:https://github.com/cokelaer/fitter fittle 说明文档: https://fitter.readthedocs.io/en/latest/references.html# 安装fitter pip install fitter生成一段模拟数据 from scipy import stats data = stats.gamma.rvs(2, loc=1.5, scale=2, size=100000)利用fitter拟合数据样本的分布 from fitter import Fitter # may take some time since by default, all distributions are tried # but you call manually provide a smaller set of distributions f = Fitter(data, distributions=['gamma', 'rayleigh', 'uniform']) f.fit() f.summary()以上输出为拟合的误差与拟合的概率密度曲线及数据的直方图。 Fitter方法参数详解 Fitter(data, xmin=None, xmax=None, bins=100, distributions=None, verbose=True, timeout=10)参数: data (list) –输入的样本数据; xmin (float) – 如果为None,则使用数据最小值,否则将忽略小于xmin的数据; xmax (float) – 如果为None,则使用数据最大值,否则将忽略大于xmin的数据; bins (int) – 累积直方图的组数,默认=100; distributions (list) – 给出要查看的分布列表。 如果没有,则尝试所有的scipy分布(80种),常用的分布distributions=[‘norm’,‘t’,‘laplace’,‘cauchy’, ‘chi2’,’ expon’, ‘exponpow’, ‘gamma’,’ lognorm’, ‘uniform’]; verbose (bool) – timeout – 给定拟合分布的最长时间,(默认=10s) 如果达到超时,则跳过该分布。 Fitter返回 f.summary() #返回排序好的分布拟合质量(拟合效果从好到坏),并绘制数据分布和Nbest分布 f.df_errors #返回这些分布的拟合质量(均方根误差的和) f.fitted_param #返回拟合分布的参数 f.fitted_pdf #使用最适合数据分布的分布参数生成的概率密度 f.get_best(method='sumsquare_error') #返回最佳拟合分布及其参数 f.hist() #绘制组数=bins的标准化直方图 f.plot_pdf(names=None, Nbest=3, lw=2) #绘制分布的概率密度函数一旦执行了拟合,就可能想要获得与最佳分布相对应的参数。参数存储在中fitted_param。例如,在上面的示例中,摘要告诉我们Gamma分布最适合。您将按以下方式检索Gamma分布的参数: >>> f.fitted_param['gamma'] (1.9870244799532322, 1.5026555566189543, 2.0174462493492964)在这里,您将需要查看scipy文档以找出那些参数(均值,sigma,shape等)。为了方便起见,我们提供相应的PDF: f.fitted_pdf['gamma']但您可能想自己绘制伽马分布。在这种情况下,您将需要使用Scipy软件包本身。这是一个例子 from pylab import linspace, plot import scipy.stats dist = scipy.stats.gamma param = (1.9870, 1.5026, 2.0174) X = linspace(0,10, 10) pdf_fitted = dist.pdf(X, *param) plot(X, pdf_fitted, 'o-')https://www.freesion.com/article/9309375330/ HistFit类:适合密度函数本身有时,您只有发行版本身。例如: import scipy.stats data = [scipy.stats.norm.rvs(2,3.4) for x in range(10000)] Y, X, _ = hist(data, bins=30)在这里,我们只能访问Y(和X)。 histfit模块提供了HistFit类,可基于多次尝试对X / Y数据进行拟合而在数据集上存在一些错误,从而使用拟合曲线生成数据图。例如,在下面的示例中,我们引入3%的错误,并拟合20次数据以查看拟合是否有意义。 |
CopyRight 2018-2019 实验室设备网 版权所有 |