SciPy偏态正态分布拟合

Question

我正在尝试使用SciPy Skewnorm包将数据拟合成偏态正态分布。

然而，我无法正确理解用法，因为我找不到关于这个问题的适当文档或示例。

在帮助部分中，我找到了文档，并尝试使用skewnorm.fit()和skewnorm.pdf()来将数据拟合成模型，并使用该模型输出分布并与原始数据进行比较。

如果有人能帮忙，请告诉我。

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

# choose some parameters
a, loc, scale = 5.3, -0.1, 2.2
# draw a sample
data = stats.skewnorm(a, loc, scale).rvs(1000)
# estimate parameters from sample
ae, loce, scalee = stats.skewnorm.fit(data)
# Plot the PDF.
plt.figure()
plt.hist(data, bins=100, normed=True, alpha=0.6, color='g')
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = stats.skewnorm.pdf(x,ae, loce, scalee)#.rvs(100)
plt.plot(x, p, 'k', linewidth=2)

输出：

- Afshin Rahimi

---

如果您正在查看fit()方法，那么您将数据建模为从偏斜正态分布中随机抽取的样本，并且您想要估计该分布的参数。是这样吗？如果是这样，您是否尝试过像params = skewnorm.fit(data)这样简单的东西，其中data是包含输入值的1-d数组或序列？（请参见Paul Panzer的答案示例。） - Warren Weckesser

感谢您的评论@WarrenWeckesser，您的假设是正确的。我会尝试一下，如果有效果，我会让您知道的。 - Afshin Rahimi

它运行成功并已更新@warren-weckesser的文章。不幸的是，我还不能使用照片！ - Afshin Rahimi

Answer 1

这是一个示例，供您开始使用。

>>> from scipy import stats

# choose some parameters
>>> a, loc, scale = 1.3, -0.1, 2.2
# draw a sample
>>> sample = stats.skewnorm(a, loc, scale).rvs(1000)

# estimate parameters from sample
>>> ae, loce, scalee = stats.skewnorm.fit(sample)
>>> ae
1.2495366661560348
>>> loce
-0.039775813819310835
>>> scalee
2.1126121580965536

- Paul Panzer

---

感谢@paulpanzer提供的示例代码，我会尝试并告诉你它是否有效。 - Afshin Rahimi

Answer 2

我确信这个问题有一个分析解决方案，但是我刚刚通宵编写了一个基因算法的解决方案。我不熟悉基因算法，所以我只是凭直觉设计了它，据此，我认为这段代码既是相当智能的工作，又是极其愚蠢的哈哈哈。如果有人觉得它有用，我会将它推送到GitHub上去。图片相关——收敛于合理的分布拟合，给定模式和上下95％置信区间边界。

- Hart

---

请仔细阅读如何回答并注意这不是一个讨论论坛。回答部分仅用于尝试实际回答问题。答案需要自成一体，因为五年后的用户不应该为了细节而联系您。请[编辑]您的答案以包含解决方案的详细信息。 - AlexK