Я хочу подгонять логнормальное распределение к моим данным, используя python scipy.stats.lognormal.fit. В соответствии с руководство, fit возвращает параметры формы, loc, scale. Но для логнормального распределения обычно требуется два параметра: среднее и стандартное отклонение.
Как интерпретировать результаты функции scipy fit? Как получить значение и std.dev.?
Распределения в scipy кодируются общим образом по двум параметрам и масштабам, так что местоположение является параметром (loc), который сдвигает распределение влево или вправо, а scale - это параметр, который сжимает или растягивает распределение.
Для двухпараметрического распределения параметров "средний" и "std dev" соответствуют log (scale) и shape (вы можете оставить loc=0).
Ниже показано, как подогнать логнормальное распределение, чтобы найти два интересующих параметра:
In [56]: import numpy as np
In [57]: from scipy import stats
In [58]: logsample = stats.norm.rvs(loc=10, scale=3, size=1000) # logsample ~ N(mu=10, sigma=3)
In [59]: sample = np.exp(logsample) # sample ~ lognormal(10, 3)
In [60]: shape, loc, scale = stats.lognorm.fit(sample, floc=0) # hold location to 0 while fitting
In [61]: shape, loc, scale
Out[61]: (2.9212650122639419, 0, 21318.029350592606)
In [62]: np.log(scale), shape # mu, sigma
Out[62]: (9.9673084420467362, 2.9212650122639419)
Я просто потратил некоторое время на разработку этого и хотел документировать это здесь: если вы хотите получить плотность вероятности (в точке x) из трех возвращаемых значений lognorm.fit (давайте назовем их (shape, loc, scale)), вам нужно использовать эту формулу:
x = 1 / (shape*((x-loc)/scale)*sqrt(2*pi)) * exp(-1/2*(log((x-loc)/scale)/shape)**2) / scale
Итак, в качестве уравнения (loc - µ, shape - σ и scale - α):
Я думаю, что это поможет. Я долго искал одну и ту же проблему и, наконец, нашел решение своей проблемы. В моем случае я пытался вписать некоторые данные в логнормальное распределение с помощью модуля scipy.stats.lognorm. Однако, когда я наконец получил параметры модели, я не смог найти способ повторить свои результаты, используя среднее значение и стандартные данные y.
В приведенном ниже коде я объясняю из параметров mean и std, как создать нормально распределенный образец данных с помощью модуля scipy.stats.norm. Используя эти данные, я подгоняю нормальную модель (norm_dist_fitted), а также создаю нормальную модель, используя среднее значение и стандартное отклонение (mu, sigma), извлеченные из данных.
Исходная модель, производящая данные, подогнанная и произведенная с помощью (mu-sigma) -pair, сравнивается на графике.
В следующем разделе кода я использую нормальные данные для создания логнормально распределенного образца. Для этого обратите внимание, что логнормальные выборки будут экспоненциальными по сравнению с исходной выборкой. Следовательно, среднее и стандартное отклонение экспоненциальной выборки будет (exp(mu) и exp(sigma)).
Я поместил полученные данные в lognormal (поскольку журнал моей выборки (exp (x)) обычно распределяется и следует логическим нормальным предположениям модели.
Чтобы создать логнормальную модель из среднего значения и стандартного отклонения исходных данных (x), код будет следующим:
lognorm_dist = scipy.stats.lognorm(s=sigma, loc=0, scale=np.exp(mu))
Однако, если ваши данные уже находятся в экспоненциальном пространстве (exp (x)), вам необходимо использовать:
muX = np.mean(np.log(x))
sigmaX = np.std(np.log(x))
scipy.stats.lognorm(s=sigmaX, loc=0, scale=muX)
import scipy
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
mu = 10 # Mean of sample !!! Make sure your data is positive for the lognormal example
sigma = 1.5 # Standard deviation of sample
N = 2000 # Number of samples
norm_dist = scipy.stats.norm(loc=mu, scale=sigma) # Create Random Process
x = norm_dist.rvs(size=N) # Generate samples
# Fit normal
fitting_params = scipy.stats.norm.fit(x)
norm_dist_fitted = scipy.stats.norm(*fitting_params)
t = np.linspace(np.min(x), np.max(x), 100)
# Plot normals
f, ax = plt.subplots(1, sharex='col', figsize=(10, 5))
sns.distplot(x, ax=ax, norm_hist=True, kde=False, label='Data X~N(mu={0:.1f}, sigma={1:.1f})'.format(mu, sigma))
ax.plot(t, norm_dist_fitted.pdf(t), lw=2, color='r',
label='Fitted Model X~N(mu={0:.1f}, sigma={1:.1f})'.format(norm_dist_fitted.mean(), norm_dist_fitted.std()))
ax.plot(t, norm_dist.pdf(t), lw=2, color='g', ls=':',
label='Original Model X~N(mu={0:.1f}, sigma={1:.1f})'.format(norm_dist.mean(), norm_dist.std()))
ax.legend(loc='lower right')
plt.show()
# The lognormal model fits to a variable whose log is normal
# We create our variable whose log is normal 'exponenciating' the previous variable
x_exp = np.exp(x)
mu_exp = np.exp(mu)
sigma_exp = np.exp(sigma)
fitting_params_lognormal = scipy.stats.lognorm.fit(x_exp, floc=0, scale=mu_exp)
lognorm_dist_fitted = scipy.stats.lognorm(*fitting_params_lognormal)
t = np.linspace(np.min(x_exp), np.max(x_exp), 100)
# Here is the magic I was looking for a long long time
lognorm_dist = scipy.stats.lognorm(s=sigma, loc=0, scale=np.exp(mu))
# The trick is to understand these two things:
# 1. If the EXP of a variable is NORMAL with MU and STD -> EXP(X) ~ scipy.stats.lognorm(s=sigma, loc=0, scale=np.exp(mu))
# 2. If your variable (x) HAS THE FORM of a LOGNORMAL, the model will be scipy.stats.lognorm(s=sigmaX, loc=0, scale=muX)
# with:
# - muX = np.mean(np.log(x))
# - sigmaX = np.std(np.log(x))
# Plot lognormals
f, ax = plt.subplots(1, sharex='col', figsize=(10, 5))
sns.distplot(x_exp, ax=ax, norm_hist=True, kde=False,
label='Data exp(X)~N(mu={0:.1f}, sigma={1:.1f})\n X~LogNorm(mu={0:.1f}, sigma={1:.1f})'.format(mu, sigma))
ax.plot(t, lognorm_dist_fitted.pdf(t), lw=2, color='r',
label='Fitted Model X~LogNorm(mu={0:.1f}, sigma={1:.1f})'.format(lognorm_dist_fitted.mean(), lognorm_dist_fitted.std()))
ax.plot(t, lognorm_dist.pdf(t), lw=2, color='g', ls=':',
label='Original Model X~LogNorm(mu={0:.1f}, sigma={1:.1f})'.format(lognorm_dist.mean(), lognorm_dist.std()))
ax.legend(loc='lower right')
plt.show()