Python：Matplotlib - 多数据集概率图

Question

我有几个数据集（分布），如下所示：

set1 = [1,2,3,4,5]
set2 = [3,4,5,6,7]
set3 = [1,3,4,5,8]

我想用这些数据集画一个散点图，y轴表示概率（也就是数据集的百分位数：0%-100%），x轴表示数据集的名称。在JMP软件中，这个图叫做“分位数图”。

大概是这样的效果：

请教教我。谢谢。

[编辑]

我的数据是这样的csv格式：

使用JMP分析工具，我可以画出概率分布图（QQ图/正态分位数图，下面的图就是这个）：

我觉得Joe Kington几乎解决了我的问题，但我想知道如何将原始的csv数据处理成概率或百分位数的数组。

我这样做是为了在Python中自动化一些统计分析，而不是依赖JMP来绘图。

Answer 1

我不太明白你具体想要什么，所以我来猜一下...

你想要“概率/百分位数”的值是一个累积直方图吗？

那么对于一个单独的图表，你想要的可能是这样的？（像你上面展示的那样用标记来绘制，而不是更传统的阶梯图...）

import scipy.stats
import numpy as np
import matplotlib.pyplot as plt

# 100 values from a normal distribution with a std of 3 and a mean of 0.5
data = 3.0 * np.random.randn(100) + 0.5

counts, start, dx, _ = scipy.stats.cumfreq(data, numbins=20)
x = np.arange(counts.size) * dx + start

plt.plot(x, counts, 'ro')
plt.xlabel('Value')
plt.ylabel('Cumulative Frequency')

plt.show()

如果这大致是你想要的单个图表，有很多方法可以在一个图形上制作多个图表。最简单的就是使用子图。

在这里，我们将生成一些数据集，并在不同的子图上用不同的符号绘制它们...

import itertools
import scipy.stats
import numpy as np
import matplotlib.pyplot as plt

# Generate some data... (Using a list to hold it so that the datasets don't 
# have to be the same length...)
numdatasets = 4
stds = np.random.randint(1, 10, size=numdatasets)
means = np.random.randint(-5, 5, size=numdatasets)
values = [std * np.random.randn(100) + mean for std, mean in zip(stds, means)]

# Set up several subplots
fig, axes = plt.subplots(nrows=1, ncols=numdatasets, figsize=(12,6))

# Set up some colors and markers to cycle through...
colors = itertools.cycle(['b', 'g', 'r', 'c', 'm', 'y', 'k'])
markers = itertools.cycle(['o', '^', 's', r'$\Phi$', 'h'])

# Now let's actually plot our data...
for ax, data, color, marker in zip(axes, values, colors, markers):
    counts, start, dx, _ = scipy.stats.cumfreq(data, numbins=20)
    x = np.arange(counts.size) * dx + start
    ax.plot(x, counts, color=color, marker=marker, 
            markersize=10, linestyle='none')

# Next we'll set the various labels...
axes[0].set_ylabel('Cumulative Frequency')
labels = ['This', 'That', 'The Other', 'And Another']
for ax, label in zip(axes, labels):
    ax.set_xlabel(label)

plt.show()

如果我们想让它看起来像一个连续的图表，我们可以把子图挤在一起，并关闭一些边界。在调用 plt.show() 之前只需添加以下内容：

# Because we want this to look like a continuous plot, we need to hide the
# boundaries (a.k.a. "spines") and yticks on most of the subplots
for ax in axes[1:]:
    ax.spines['left'].set_color('none')
    ax.spines['right'].set_color('none')
    ax.yaxis.set_ticks([])
axes[0].spines['right'].set_color('none')

# To reduce clutter, let's leave off the first and last x-ticks.
for ax in axes:
    xticks = ax.get_xticks()
    ax.set_xticks(xticks[1:-1])

# Now, we'll "scrunch" all of the subplots together, so that they look like one
fig.subplots_adjust(wspace=0)

希望这能对你有所帮助！

编辑：如果你想要百分位数值，而不是累积直方图（我真的不应该用100作为样本大小！），这也很简单。

只需像这样做（使用 numpy.percentile 而不是手动归一化）：

# Replacing the for loop from before...
plot_percentiles = range(0, 110, 10)
for ax, data, color, marker in zip(axes, values, colors, markers):
    x = np.percentile(data, plot_percentiles)
    ax.plot(x, plot_percentiles, color=color, marker=marker, 
            markersize=10, linestyle='none')