有人知道如何使用scipy绘制偏态正态分布吗? 我猜可以使用stats.norm类,但我就是不知道怎么弄。 此外,如何估计描述一维数据集的偏态正态分布的参数?
有人知道如何使用scipy绘制偏态正态分布吗? 我猜可以使用stats.norm类,但我就是不知道怎么弄。 此外,如何估计描述一维数据集的偏态正态分布的参数?
根据维基百科的描述,
from scipy import linspace
from scipy import pi,sqrt,exp
from scipy.special import erf
from pylab import plot,show
def pdf(x):
return 1/sqrt(2*pi) * exp(-x**2/2)
def cdf(x):
return (1 + erf(x/sqrt(2))) / 2
def skew(x,e=0,w=1,a=0):
t = (x-e) / w
return 2 / w * pdf(t) * cdf(a*t)
# You can of course use the scipy.stats.norm versions
# return 2 * norm.pdf(t) * norm.cdf(a*t)
n = 2**10
e = 1.0 # location
w = 2.0 # scale
x = linspace(-10,10,n)
for a in range(-3,4):
p = skew(x,e,w,a)
plot(x,p)
show()
scipy.optimize.leastsq
,例如,使用e=1.0
、w=2.0
和a=1.0
。fzz = skew(x,e,w,a) + norm.rvs(0,0.04,size=n) # fuzzy data
def optm(l,x):
return skew(x,l[0],l[1],l[2]) - fzz
print leastsq(optm,[0.5,0.5,0.5],(x,))
(array([ 1.05206154, 1.96929465, 0.94590444]), 1)
接受的答案有些过时了,因为现在在scipy中已经实现了一个skewnorm
函数。因此代码可以写得更短:
接受的答案有些过时了,因为现在在scipy中已经实现了一个skewnorm
函数。因此代码可以写得更短:
from scipy.stats import skewnorm
import numpy as np
from matplotlib import pyplot as plt
X = np.linspace(min(your_data), max(your_data))
plt.plot(X, skewnorm.pdf(X, *skewnorm.fit(your_data)))