scipy.stats.zipf¶
- scipy.stats.zipf = <scipy.stats._discrete_distns.zipf_gen object>[源代码]¶
Zipf(Zeta)离散随机变量。
作为
rv_discrete
班级,zipf
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。参见
注意事项
的概率质量函数
zipf
是:\[F(k,a)=\frac{1}{\zeta(A)k^a}\]为 \(k \ge 1\) , \(a > 1\) 。
zipf
拿走 \(a > 1\) 作为形状参数。 \(\zeta\) 是Riemann Zeta函数 (scipy.special.zeta
)Zipf发行版也称为Zeta发行版,它是Zipfian发行版的特例 (
zipfian
)。上面的概率质量函数是以“标准化”形式定义的。若要移动分布,请使用
loc
参数。具体地说,zipf.pmf(k, a, loc)
等同于zipf.pmf(k - loc, a)
。参考文献
- 1
“齐塔分布”,维基百科,https://en.wikipedia.org/wiki/Zeta_distribution
示例
>>> from scipy.stats import zipf >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> a = 6.5 >>> mean, var, skew, kurt = zipf.stats(a, moments='mvsk')
显示概率质量函数 (
pmf
):>>> x = np.arange(zipf.ppf(0.01, a), ... zipf.ppf(0.99, a)) >>> ax.plot(x, zipf.pmf(x, a), 'bo', ms=8, label='zipf pmf') >>> ax.vlines(x, 0, zipf.pmf(x, a), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象(作为函数)来固定形状和位置。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
pmf
:>>> rv = zipf(a) >>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1, ... label='frozen pmf') >>> ax.legend(loc='best', frameon=False) >>> plt.show()
检查以下各项的准确性
cdf
和ppf
:>>> prob = zipf.cdf(x, a) >>> np.allclose(x, zipf.ppf(prob, a)) True
生成随机数:
>>> r = zipf.rvs(a, size=1000)
>>> from scipy.stats import zipfian >>> k = np.arange(11) >>> np.allclose(zipf.pmf(k, a), zipfian.pmf(k, a, n=10000000)) True
方法:
rvs(a, loc=0, size=1, random_state=None)
随机变量。
pmf(k, a, loc=0)
概率质量函数。
logpmf(k, a, loc=0)
概率质量函数的对数。
cdf(k, a, loc=0)
累积分布函数。
logcdf(k, a, loc=0)
累积分布函数的日志。
sf(k, a, loc=0)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(k, a, loc=0)
生存函数的对数。
ppf(q, a, loc=0)
百分点数函数(与
cdf
-百分位数)。isf(q, a, loc=0)
逆生存函数(逆
sf
)。stats(a, loc=0, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(a, loc=0)
房车的(微分)熵。
expect(func, args=(a,), loc=0, lb=None, ub=None, conditional=False)
函数相对于分布的期望值(只有一个参数)。
median(a, loc=0)
分布的中位数。
mean(a, loc=0)
分布的平均值。
var(a, loc=0)
分布的方差。
std(a, loc=0)
分布的标准差。
interval(alpha, a, loc=0)
包含分数Alpha的范围的端点 [0, 1] 分布的