scipy.stats.powerlognorm¶
- scipy.stats.powerlognorm = <scipy.stats._continuous_distns.powerlognorm_gen object>[源代码]¶
幂对数正态连续随机变量。
作为
rv_continuous班级,powerlognorm对象从它继承一组泛型方法(完整列表请参见下面)，并用特定于此特定发行版的详细信息来完成它们。注意事项
的概率密度函数
powerlognorm是：\[F(x，c，s)=\frac{c}{x s}\phi(\log(X)/s) (\phi(-\log(X)/s))^{c-1}\]哪里 \(\phi\) 是普通的pdf格式，并且 \(\Phi\) 是正常的CDF，并且 \(x > 0\) ， \(s, c > 0\) 。
powerlognorm拿走 \(c\) 和 \(s\) 作为形状参数。上面的概率密度是以“标准化”形式定义的。若要移动和/或缩放分布，请使用
loc和scale参数。具体地说，powerlognorm.pdf(x, c, s, loc, scale)等同于powerlognorm.pdf(y, c, s) / scale使用y = (x - loc) / scale。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心泛化在单独的类中可用。示例
>>> from scipy.stats import powerlognorm >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻：
>>> c, s = 2.14, 0.446 >>> mean, var, skew, kurt = powerlognorm.stats(c, s, moments='mvsk')
显示概率密度函数 (
pdf)：>>> x = np.linspace(powerlognorm.ppf(0.01, c, s), ... powerlognorm.ppf(0.99, c, s), 100) >>> ax.plot(x, powerlognorm.pdf(x, c, s), ... 'r-', lw=5, alpha=0.6, label='powerlognorm pdf')
或者，可以调用分布对象(作为函数)来固定形状、位置和比例参数。这将返回一个“冻结”的RV对象，其中包含固定的给定参数。
冻结分发并显示冻结的
pdf：>>> rv = powerlognorm(c, s) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查以下各项的准确性
cdf和ppf：>>> vals = powerlognorm.ppf([0.001, 0.5, 0.999], c, s) >>> np.allclose([0.001, 0.5, 0.999], powerlognorm.cdf(vals, c, s)) True
生成随机数：
>>> r = powerlognorm.rvs(c, s, size=1000)
并比较直方图：
>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2) >>> ax.legend(loc='best', frameon=False) >>> plt.show()
方法：
rvs(c, s, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, c, s, loc=0, scale=1)
概率密度函数。
logpdf(x, c, s, loc=0, scale=1)
概率密度函数的对数。
cdf(x, c, s, loc=0, scale=1)
累积分布函数。
logcdf(x, c, s, loc=0, scale=1)
累积分布函数的日志。
sf(x, c, s, loc=0, scale=1)
生存函数(也定义为
1 - cdf，但是 sf 有时更准确)。logsf(x, c, s, loc=0, scale=1)
生存函数的对数。
ppf(q, c, s, loc=0, scale=1)
百分点数函数(与
cdf-百分位数)。isf(q, c, s, loc=0, scale=1)
逆生存函数(逆
sf)。moment(n, c, s, loc=0, scale=1)
n阶非中心矩
stats(c, s, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(c, s, loc=0, scale=1)
房车的(微分)熵。
拟合(数据)
一般数据的参数估计。看见 scipy.stats.rv_continuous.fit 有关关键字参数的详细文档，请参阅。
expect(func, args=(c, s), loc=0, scale=1, lb=None, ub=None, conditional=False, ** kwds)
函数相对于分布的期望值(只有一个参数)。
median(c, s, loc=0, scale=1)
分布的中位数。
mean(c, s, loc=0, scale=1)
分布的平均值。
var(c, s, loc=0, scale=1)
分布的方差。
std(c, s, loc=0, scale=1)
分布的标准差。
interval(alpha, c, s, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的