有很多关于用Scipy处理lognorm
分布的帖子,但是我仍然没有掌握它的窍门。
2参数lognormal通常由参数\mu
和\sigma
来描述,它们对应于Scipysloc=0
和\sigma=shape
,\mu=np.log(scale)
。
在scipy, lognormal distribution - parameters,我们可以阅读如何使用随机分布的指数生成lognorm(\mu,\sigma)
样本。现在让我们尝试其他方法:
直接创建lognorm有什么问题:
# lognorm(mu=10,sigma=3)
# so shape=3, loc=0, scale=np.exp(10) ?
x=np.linspace(0.01,20,200)
sample_dist = sp.stats.lognorm.pdf(x, 3, loc=0, scale=np.exp(10))
shape, loc, scale = sp.stats.lognorm.fit(sample_dist, floc=0)
print shape, loc, scale
print np.log(scale), shape # mu and sigma
# last line: -7.63285693379 0.140259699945 # not 10 and 3
我使用拟合的返回值来创建拟合分布。但显然我又做错了:
samp=sp.stats.lognorm(0.5,loc=0,scale=1).rvs(size=2000) # sample
param=sp.stats.lognorm.fit(samp) # fit the sample data
print param # does not coincide with shape, loc, scale above!
x=np.linspace(0,4,100)
pdf_fitted = sp.stats.lognorm.pdf(x, param[0], loc=param[1], scale=param[2]) # fitted distribution
pdf = sp.stats.lognorm.pdf(x, 0.5, loc=0, scale=1) # original distribution
plt.plot(x,pdf_fitted,'r-',x,pdf,'g-')
plt.hist(samp,bins=30,normed=True,alpha=.3)
我意识到我的错误:
A)我正在绘制的示例需要来自
.rvs
方法。就像这样:sample_dist = sp.stats.lognorm.rvs(3, loc=0, scale=np.exp(10), size=2000)
B)配合有问题。当我们修正
loc
参数时,拟合效果会好得多。param=sp.stats.lognorm.fit(samp, floc=0)
我也做了同样的观察:所有参数的自由拟合在大多数情况下都是失败的。您可以通过提供更好的初始猜测来提供帮助,无需修复参数。
您还可以自己构造函数来计算初始猜测,例如:
相关问题 更多 >
编程相关推荐