scipy.stats.rv_histogram¶
- class scipy.stats.rv_histogram(histogram, *args, **kwargs)[源代码]¶
生成由直方图给出的分布。这对于从入库数据样本生成模板分布很有用。
作为
rv_continuous
班级,rv_histogram
从它继承泛型方法的集合(请参见rv_continuous
用于完整列表),并基于所提供的入库数据样本的属性来实现它们。- 参数
- histogram类似数组的元组
包含两个类似数组的对象的元组,第一个包含n个条柱的内容,第二个包含(n+1)个条柱边界,特别是返回值np。接受直方图
注意事项
除了锁定和缩放之外,没有其他形状参数。pdf被定义为来自所提供的直方图的逐步函数,cdf是pdf的线性插值。
0.19.0 新版功能.
示例
从数字直方图创建scipy.stats分布
>>> import scipy.stats >>> import numpy as np >>> data = scipy.stats.norm.rvs(size=100000, loc=0, scale=1.5, random_state=123) >>> hist = np.histogram(data, bins=100) >>> hist_dist = scipy.stats.rv_histogram(hist)
行为类似于普通的Scipy RV_连续分布
>>> hist_dist.pdf(1.0) 0.20538577847618705 >>> hist_dist.cdf(2.0) 0.90818568543056499
PDF在直方图的最高(最低)条柱(由原始数据集的最大(最小)定义)上方(下方)为零
>>> hist_dist.pdf(np.max(data)) 0.0 >>> hist_dist.cdf(np.max(data)) 1.0 >>> hist_dist.pdf(np.min(data)) 7.7591907244498314e-05 >>> hist_dist.cdf(np.min(data)) 0.0
PDF和CDF遵循直方图
>>> import matplotlib.pyplot as plt >>> X = np.linspace(-5.0, 5.0, 100) >>> plt.title("PDF from Template") >>> plt.hist(data, density=True, bins=100) >>> plt.plot(X, hist_dist.pdf(X), label='PDF') >>> plt.plot(X, hist_dist.cdf(X), label='CDF') >>> plt.show()
- 属性
random_state
获取或设置用于生成随机变量的生成器对象。
方法:
冻结给定参数的分布。
给定房车的累积分布函数。
房车的微分熵。
expect
\([func, args, loc, scale, lb, ub, ...] )通过数值积分计算函数相对于分布的期望值。
从数据中返回形状(如果适用)、位置和比例参数的估计值。
fit_loc_scale
\(数据,*参数)使用一阶矩和二阶矩从数据中估计锁定和缩放参数。
冻结给定参数的分布。
中位数附近面积相等的置信区间。
逆生存函数(逆 sf )在给定房车的Q。
给定房车x处的累积分布函数的对数。
给定RV的x处的概率密度函数的对数。
给定房车的生存函数的日志。
分布的平均值。
分布的中位数。
n阶非中心分布矩。
nnlf
\(θ,x)负对数似然函数。
给定房车x处的概率密度函数。
百分点数函数(与 cdf )在给定房车的Q。
给定类型的随机变量。
生存函数(1- cdf )在给定RV的x处。
给定房车的一些统计数据。
分布的标准差。
对发行版的支持。
分布的方差。