Установите гауссовую функцию

У меня есть гистограмма (см. ниже), и я пытаюсь найти среднее и стандартное отклонение вместе с кодом, который соответствует кривой моей гистограмме. Я думаю, что есть что-то в SciPy или matplotlib, которые могут помочь, но каждый пример, который я пробовал, не работает.

import matplotlib.pyplot as plt
import numpy as np

with open('gau_b_g_s.csv') as f:
    v = np.loadtxt(f, delimiter= ',', dtype="float", skiprows=1, usecols=None)

fig, ax = plt.subplots()

plt.hist(v, bins=500, color='#7F38EC', histtype='step')

plt.title("Gaussian")
plt.axis([-1, 2, 0, 20000])

plt.show()

Ответ 1

Взгляните на этот ответ для подгонки произвольных кривых к данным. В принципе вы можете использовать scipy.optimize.curve_fit для соответствия любой функции, которую вы хотите использовать. В приведенном ниже коде показано, как вы можете поместить гауссовские данные в некоторые случайные данные (кредит это публикация списка рассылки SciPy-User).

import numpy
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

# Define some test data which is close to Gaussian
data = numpy.random.normal(size=10000)

hist, bin_edges = numpy.histogram(data, density=True)
bin_centres = (bin_edges[:-1] + bin_edges[1:])/2

# Define model function to be used to fit to the data above:
def gauss(x, *p):
    A, mu, sigma = p
    return A*numpy.exp(-(x-mu)**2/(2.*sigma**2))

# p0 is the initial guess for the fitting coefficients (A, mu and sigma above)
p0 = [1., 0., 1.]

coeff, var_matrix = curve_fit(gauss, bin_centres, hist, p0=p0)

# Get the fitted curve
hist_fit = gauss(bin_centres, *coeff)

plt.plot(bin_centres, hist, label='Test data')
plt.plot(bin_centres, hist_fit, label='Fitted data')

# Finally, lets get the fitting parameters, i.e. the mean and standard deviation:
print 'Fitted mean = ', coeff[1]
print 'Fitted standard deviation = ', coeff[2]

plt.show()

Ответ 2

Вы можете попробовать оценить размер модели гауссовой модели sklearn, как показано ниже:

import numpy as np
import sklearn.mixture

gmm = sklearn.mixture.GMM()

# sample data
a = np.random.randn(1000)

# result
r = gmm.fit(a[:, np.newaxis]) # GMM requires 2D data as of sklearn version 0.16
print("mean : %f, var : %f" % (r.means_[0, 0], r.covars_[0, 0]))

Ссылка: http://scikit-learn.org/stable/modules/mixture.html#mixture

Обратите внимание, что таким образом вам не нужно оценивать распределение образца с помощью гистограммы.

Ответ 3

Вид старого вопроса, но для любого, кто хочет просто построить плотность, подходящую для серии, вы можете попробовать matplotlib .plot(kind='kde'). Docs здесь.

Пример с pandas:

mydf.x.plot(kind='kde')

Ответ 4

Я не уверен, что ваш вход, но, возможно, слишком большой масштаб оси y (20000), попробуйте уменьшить это число. Для меня работает следующий код:

import matplotlib.pyplot as plt
import numpy as np

#created my variable
v = np.random.normal(0,1,1000)


fig, ax = plt.subplots()


plt.hist(v, bins=500, normed=1, color='#7F38EC', histtype='step')

#plot
plt.title("Gaussian")
plt.axis([-1, 2, 0, 1]) #changed 20000 to 1

plt.show()

Edit:

Если вам нужен фактический счетчик значений по оси y, вы можете установить normed=0. И просто избавится от plt.axis([-1, 2, 0, 1]).

import matplotlib.pyplot as plt
import numpy as np

#function
v = np.random.normal(0,1,500000)


fig, ax = plt.subplots()

# changed normed=1 to normed=0
plt.hist(v, bins=500, normed=0, color='#7F38EC', histtype='step')

#plot
plt.title("Gaussian")
#plt.axis([-1, 2, 0, 20000]) 

plt.show()